【Pattern Recognition and Machine Learning】p7 preface

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