前言 最早系统地接触“模式识别与机器学习”是在2001年秋季清华大学开设的“模式识别”课堂上。从那时至今，我一直在模式识别与机器学习领域学习，并从事教学与科研工作。2007年参加工作后，我开始讲授研究生的“模式识别与机器学习”课程，后来也讲授高年级本科生的“模式识别与机器学习”课程。2009年在英国伦敦大学学院的访学进一步拓宽了我的知识面，也促使我萌发了关于该领域应该包含哪些核心内容的思考。在长期的教学与科研过程中，我一方面深感模式识别与机器学习领域发展之快，另一方面随着对该领域认识的加深，也逐渐有了撰写一本体现自己理解与认识的高质量教材的想法。2017年，与清华大学出版社协商后，开始着手具体写作工作。 在成书过程中，为力求做到每章内容丰富完整，两位编著者查阅了大量资料，也参考了所在的“模式识别与机器学习”实验室师生收集的素材，最终完成了对本领域核心内容的系统梳理。全书以贝叶斯学习的思想为潜在主线，从基础理论到典型模型与算法，再到近似推理，循序渐进地呈现模式识别与机器学习的核心知识体系。全书共14章和4个附录，除第1章引言外，第2～14章可以分为三部分: 第2～6章为第一部分，主要介绍贝叶斯学习和概率图模型，包括贝叶斯学习基础、逻辑回归、概率图模型基础、隐马尔可夫模型和条件随机场；第7～11章为第二部分，主要介绍典型场景（如监督/非监督、回归/分类/降维等）下的模型与算法，包括支持向量机、人工神经网络与深度学习、高斯过程、聚类、主成分分析与相关的谱方法；第12～14章为第三部分，主要介绍近似推理和强化学习，包括确定性近似推理、随机近似推理和强化学习。附录包括传统模式识别与机器学习方法中的近邻法和决策树，以及向量微积分和随机变量的变换等与本学科强相关的知识点。 对于书中的知识点，我们都有相关的研究积累或应用经验，这为本书的质量提供了基本保障。但是由于我们的理论水平和实践经验尚有局限性，书中难免存在不足之处，敬请读者能提出宝贵建议，后续有机会再版时将加以改进。 孙仕亮 2020年4月于上海

• 课件下载
• 样章下载
• 暂无网络资源

扫描二维码
下载APP了解更多

版权图片链接