"在人工智能与控制科学产生深度交叉融合的背景下，本书对机器学习和模型推理的经典算法和前沿理论知识进行深度剖析和全面梳理，形成具有理论深度和知识广度的参考资料，旨在支撑“智能科学与技术”和“控制科学与工程”两个一级学科的建设和发展。 本书的主要内容分成两篇。第一篇主要介绍机器学习的主要理论和方法，包括统计决策方法、监督学习方法、无监督学习方法、深度学习方法和近似推理方法。除了总结经典算法之外，第一篇还介绍了**的集成学习方法（如迁移学习、终身学习和元学习）和深度学习方法（如图神经网络、深度信念网络和深度生成网络），使学生能够掌握机器学习专业方向的前沿理论知识。第二篇主要介绍模型推理的主要理论与方法，包括静态统计模型、概率图模型、马尔可夫模型以及马尔可夫决策过程。在模型知识的驱动下，第二篇聚焦控制领域的状态估计、系统辨识和马尔可夫决策，形成更具理论深度的高层次学习内容。为了帮助读者掌握核心内容和知识点，每章都配备了习题和主要参考文献，附录提供了本书学习的必备基础知识。 本书前半部分的知识点相对容易，适合本科教学；后半部分的知识点对矩阵分析和随机过程等数学知识要求较高，适合研究生教学。本书也是机器学习、模式识别和系统辨识等专业研究生科研的重要参考资料。 "

"俞成浦，北京理工大学教授、博士生导师。长期从事系统建模和控制方面的教学与研究，讲授“机器学习基础”“模式识别”等课程。发表一作SCI论文20余篇，其中ESI热点论文2篇。主持国家基金委重大项目课题、国家重点研发计划课题和基金委面上基金。完成国家高层次海外人才青年项目和十三五装备预研项目。获教育部自然科学一等奖和中国自动化学会自然科学一等奖。出版专著2部。陈文颉，北京理工大学副教授、硕士生导师。长期从事深度学习、目标检测与识别方面的教学和研究工作，讲授“模式识别”“电磁兼容技术”等课程。发表论文50余篇，授权专利20余项。承担装备型号项目、国防研究项目和自然科学基金。获国家科技进步奖2项。出版教材1部。邓方，北京理工大学教授、博士生导师。长期从事自主智能群系统、可穿戴泛在系统等方面教学与研究，讲授“控制系统的故障诊断与容错控制”“智能计算与信息处理”等课程。发表学术论文140余篇，授权发明专利108项。承担国家自科基金重点项目、科技创新2030重大项目等项目多项。获中国青年科技奖、北京市科技奖杰出青年中关村奖、国家科技进步奖二等奖、日内瓦国际发明展金奖、国家教学成果二等奖、北京市教学成果一、二等奖、IEEE TSMCS**副主编奖等。出版专著、教材各1部。"

前 言 近年来，随着人工智能和大数据技术的快速发展，学科之间的交叉融合呈现出井喷之势。作为人工智能的核心，机器学习理论和方法已被广泛应用于解决工程应用和科学领域的复杂问题。机器学习是一门多学科交叉专业，涵盖概率论、统计学、最优化理论和近似理论等专业知识，主要研究如何从巨量数据中获取隐藏的、有效的、可理解的模型和知识，并以此来优化和提升计算机模拟或实现人类智能的能力。 在人工智能领域的机器学习与控制领域的系统辨识产生深度交叉融合的背景下，本书对数据驱动的学习和模型驱动的推理进行了梳理，使得控制领域的学生和工程师能够深刻理解前沿机器学习和传统控制理论之间的异同及优劣，为进一步科研深造和工程实践提供有力支撑。本书作者长期从事动态系统辨识研究，并开设了本科生“机器学习基础”和研究生“模式识别”等课程。通过科研与教学的互融互补，作者对机器学习和模型推理的内涵理解也逐渐加深，因此编写此书，希望能够对机器学习、模式识别和系统辨识相关专业的教学和科研带来新的启发。 机器学习强调如何实现数据驱动的学习和建模，其对应的模型通常由神经网络或者核函数来近似描述。由于该模型结构不具备明确的物理含义，因此神经网络学习通常被认为是黑箱模型学习。反之，控制领域的动态模型往往具有明确物理意义的结构特征，比如多智能体协同中的拓扑结构具有明确的空间关联特性，因此动态模型学习与推理通常被认为是灰箱学习。根据上述理解，全书内容分为通用机器学习部分（着重强调数据驱动的学习方法）和模型推理部分（着重强调特殊结构模型的学习和推理）。面向不同专业背景或者不同层次的本科生/研究生教学，授课教师可以对教学内容有针对性地...