模式識(shí)別是工程領(lǐng)域的八拱，機(jī)器學(xué)習(xí)是計(jì)算機(jī)領(lǐng)域的柱恤， 但是他們也是一體兩面的规哪，他們一起在過去十年得到了堅(jiān)實(shí)的發(fā)展求豫，尤其是貝葉斯方法從學(xué)術(shù)界發(fā)展到主流，圖模型作為一個(gè)基本框架出現(xiàn)诉稍，用于描述和應(yīng)用概率模型蝠嘉，并且通過一系列近似推斷算法，比如變量貝葉斯和期望傳播算法杯巨，貝葉斯方法也得到了更大的發(fā)展蚤告。
本書，主要是深入理解模式識(shí)別和機(jī)器學(xué)習(xí)服爷，和介紹最新的一些近況發(fā)現(xiàn)杜恰。 受眾群是沒有模式識(shí)別和機(jī)器學(xué)習(xí)經(jīng)驗(yàn)的研究生和博士一年級(jí)學(xué)生，研究人員和實(shí)踐人員仍源。要有一些多變量微積分的知識(shí)和線性代數(shù)的知識(shí)心褐，熟悉概率的話也是有幫助的， 當(dāng)然本書自身也帶有一些概率方面的知識(shí)笼踩。
本書范圍很廣逗爹，所以沒有辦法提供完備的參考書目，而且更沒有打算追根溯源歷史的資料嚎于，本書的目標(biāo)是掘而，提供更多的更廣的細(xì)節(jié)，因?yàn)檫@個(gè)原因于购，參考科目很多都是最近的新的資料袍睡，而不是一些最原始的資料。
第一章
1.1介紹了一個(gè)多項(xiàng)式曲線擬合的例子肋僧，1.2介紹了一下概率論知識(shí)斑胜，比如，概率密度期望方差嫌吠，貝葉斯概率止潘，高斯分布，貝葉斯曲線擬合居兆。介紹了概率論里面的知識(shí)之后再次討論剛才的多項(xiàng)式曲線擬合的例子覆山。1.3介紹了模型選擇。1.4曲線維度泥栖。1.5介紹了決策論的一些知識(shí)簇宽，比如最小化分類錯(cuò)誤率勋篓，最小化期望損失，拒絕選項(xiàng)魏割，推斷和決策譬嚣，回測(cè)損失函數(shù)。1.6信息論相對(duì)熵钞它。
第二章
概率分布
2.1二分類變量：beta分布
2.2多分類變量dirichlet分布
2.3高斯分布
條件高斯分布拜银，邊緣高斯分布
貝葉斯理論高斯變量，高斯最大似然估計(jì)
序列預(yù)測(cè) 高斯貝葉斯推斷
混合高斯分布
2.4指數(shù)家族
2.5非參數(shù)方法
第三章 回歸線性模型
3.1信息偏置函數(shù)模型3.2偏置變量解耦3.3貝葉斯線性回歸
3.4貝葉斯模型比較
3.6固定偏置函數(shù)的局限
第四章 分類線性模型
4.1差分函數(shù) ?感知器算法
4.2概率生成模型
4.3概率差分模型
4.5貝葉斯邏輯回歸
第五章 神經(jīng)網(wǎng)絡(luò)
