本书旨在通过对机器学习主要原理和方法的介绍，并且结合作者多年来在智能感知方面的研究成果，对其他书籍未涉及的一些前沿研究进行补充阐述。通过对基础理论循序渐进、深入浅出的讲解，读者能够更快速地掌握机器学习的基本方法，在此基础上每章内容由易到难，读者可以根据自己的掌握程度以及兴趣，选择特定的方向进行更深入的学习。 本书可作为有一定数学基础的人工智能专业的本科生和研究生教材，也可作为有志于钻研人工智能相关领域（包括机器学习和智能感知等方向）的读者的参考书。

姓名 张宝昌 单位：北航 职务、职称： 教授 性别：男 年龄：45 申请人2008年加入北航，2018年进入长聘系列，近五年，候选人共主讲8门本科生和3门研究生课程。其中，候选人时刻关注模式识别学科前沿、注重教学内容的时效性和前瞻性，注意学生学科的基础理论知识培养，新开课本科生核心专业课程《机器学习》。另外，英文授课《Computing Fundamentals and Vision Technology》，并受邀与David Doermann在美国布法罗大学开设《Edge Intelligence and Computing》网课(2021春季)。长期从事视觉边缘计算研究以及复杂无人系统、动态目标感知研究，提出了深度边缘计算研究方向。

前言 机器学习与智能感知是当前计算机与自动化领域的热门方向，也是未来的主要研究方向之一。各行各业都会应用机器学习方法解决问题。作者结合长期的科研经验完成本书。机器学习算法大多与线性代数和矩阵相关，在此认为读者已经掌握基础的数学知识。本书介绍了机器学习的主要原理和方法，以及最新进展，内容包括机器学习的发展史、决策树学习、PAC模型、贝叶斯学习、支持向量机、AdaBoost、压缩感知、子空间、神经网络与深度学习、调制压缩神经网络、批量白化技术、正交权重矩阵和强化学习。 本书在介绍其余书籍所涉及的基本知识的基础上，加入了许多前沿的算法和原理，希望读者不仅可以学习这些基础知识，更希望这些知识对读者的研究方向有所启发。基于此，我们在编写本书过程中做了两方面工作： 一方面，从易于读者学习的角度逐步讲解诸如决策树学习、贝叶斯学习、支持向量机、压缩感知以及深度学习等知识，本书重点强调实用性，在书中加入了大量的例子来实现算法，使得读者可以在学习示例的基础上学习算法和理论；另一方面，本书每章都是比较独立的一个整体，不仅包括传统的理论和方法，也融入了作者的一些算法和最近比较流行的机器学习理论，读者从中可以知道机器学习的新方向和新进展。 本书对最新的机器学习领域的成果进行了介绍，并对作者多年来的研究成果进行了总结。由于作者在分类器设计、人脸识别、视频理解、掌纹识别、工业场景图像检测方面进行了多年的研究并积累了丰富的经验，因此本书对该领域的研究人员具有一定的启发作用。 丁嵘撰写了随机森林部分，并对相关章节进行了修订。黄雷撰写了深度学习中的批量白化技术以及正交权重矩阵章节，并对其他部分章节...