作者荐语
本书系统介绍了模式识别与机器学习的基础理论、模型与算法，兼顾前沿知识的融入。以贝叶斯学习思想贯穿始终，并适时与其他重要知识点（如支持向量机、深度学习）等进行交叉和关联，便于读者在形成良好知识体系的同时保持对整个领域知识的把握。全书共14章和4个附录，循序渐进地剖析模式识别与机器学习领域。首先介绍贝叶斯学习基础、逻辑回归、概率图模型基础、隐马尔可夫模型和条件随机场，接着介绍支持向量机、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，最后介绍确定性近似推理、随机近似推理和强化学习。附录包括传统的模式识别与机器学习方法，即近邻法和决策树，还有向量微积分和随机变量的变换等与本学科强相关的重要知识点。