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，并对其他部分章节进行了修订。王田修订了调制压缩神经网络部分，概述了神经网络模型压缩方法，对全书进行了修订。张宝昌撰写了其余章节内容，并负责统稿工作。感谢王润琪、李宏、刘旭辉、刘博钰、耿书鹏、段晓玥、鲍宇翔和杨予光等对本书后期整理所做的大量工作。
由于时间仓促和能力有限，书中难免有纰漏，希望广大读者批评指正。

作者2022年11月