随着深度学习、大规模预训练模型和生成式人工智能的进展，机器学习已成为解决很多工程和科学问题的**方案。《概率机器学习》一书从概率建模和统计推断的角度系统介绍机器学习的基本概念、经典算法及前沿进展。主要内容包括概率机器学习基础、学习理论、概率图模型、近似概率推断、高斯过程、深度生成模型、强化学习等。全书从实例出发，由浅入深，直观与严谨相结合，并提供了延伸阅读内容和丰富的参考文献。

朱军，清华大学计算机系Bosch AI冠名教授，IEEE Fellow，清华大学人工智能研究院副院长，曾任卡内基-梅隆大学兼职教授。主要从事机器学习研究，担任国际著名期刊IEEE TPAMI副主编，担任ICML、NeurIPS、ICLR等（资深）领域主席二十余次。获中国科协求是杰出青年奖、科学探索奖、中国计算机学会自然科学一等奖、吴文俊人工智能自然科学一等奖、ICLR国际会议杰出论文奖等。入选万人计划领军人才、中国计算机学会青年科学家、MIT TR35中国先锋者等。

序一 机器学习在各个不同领域有着广泛的应用，已经成为广大读者普遍使用的工具，因此系统介绍机器学习的书籍有很大的需求。但对于初学者来讲，机器学习的模型和算法由于种类多，内容繁杂，造成入门和学习的困难。本书作者基于在清华大学已经开设十多年机器学习课程的教学经验，以及近二十年在机器学习领域的研究工作，从概率建模和推断的角度，有选择地介绍概率机器学习的核心内容，本着从基础入门、逐步深入的原则撰写这部书，在一定程度上克服了上述困难，便于读者学习与掌握。 本书在概率机器学习统一的理论框架下，使各章节的内容保持紧密的联系。大家知道，机器学习分为有监督学习、无监督学习和强化学习 3大类，彼此不尽相同。本书引入以下机器学习的定义，即“如果一个计算机程序在任务 T上的性能 P随着经验数据 D的增加不断提升，那么我们认为该计算机程序在任务 T和性能 P上从经验数据 D中进行了学习”，这个定义把以上 3类学习方法统一起来，体现了它们之间的共性。也就是说，它们都以“经验数据 D”为基础，构造计算机程序，以达到“在任务 T上的性能 P随着经验数据 D的增加不断提升”的目的，它们的差别只是完成的任务 T不同。其中，有监督学习如分类（第 4章），其任务是预测新特征数据下的标签。无监督学习如聚类（第 8章），其任务是预测数据的聚类结构。强化学习（第 17章）则是从与环境交互获取的数据中预测最佳的行动策略。机器学习通常由建模与推断两个阶段组成，这两个阶段都深受数据的有限性和不确定性的影响，造成推断结果的不确定性，同时也是导致机器学习模型和算法种类繁多的原因。数据的不确定性不可避免，是...