模式识别源自工程,机器学习源自计算机科学。然而,这两者可以看作是一体两面,在过去的十年间经历了长足的发展。尤其,贝叶斯方法从一个细化的专业成为了主流,图形模型作为一种通用框架出现,描述并应用与概率论模型。此外,通过开发一系列近似推断算法(如变分贝叶斯、期望传播EP),贝叶斯模型的实际应用性被大大增强。同样,基于核的新模型对于两者的算法和应用都有很大影响。
本书反映了最近这些发展,同时提供了这个领域的全面介绍。面向高年级本科生、一年级博士生,研究者和实验人员,不需要任何关于模式识别或机器学习概念的底子,需要多变量积分和基本的线性代数的知识,熟悉概率论会有帮助但不是必要的,本书内含自足的基本概率论的介绍。
因为本书设计较广,不可能写出完整的参考列表,尤其无法给出各种观点精确的历史贡献。相反的,给出参考文献的目的在于给出比本书中更多的细节,希望能够提供一个接触海量文献的切入点。基于这点,参考文献通常是较新的教科书和综述文章,而不是原始资料。
本书具有大量辅助材料,包括课程PPT,本书使用图片的完整系列,读者可以访问本书网站获取最新信息
http://research.microsoft.com/∼cmbishop/PRML