隨著計算機技術的發展，我們現在已經擁有儲存和處理海量資料以及通過計算機網路從遠端站點訪問資料的能力。目前大多數的資料存取裝置都是數字裝置，記錄的資料也很可靠。

機器學習不僅僅是資料庫方面的問題，它也是人工智慧的組成部分。為了智慧化，處於變化環境中的系統必須具備學習的能力。如果系統能夠學習並且適應這些變化，那麼系統的設計者就不必預見所有的情況，併為它們提供解決方案了。

機器學習還可以幫助我們解決視覺、語音識別以及機器人方面的許多問題。以人臉識別問題為例：我們做這件事毫不費力；即例姿勢、光線、髮型等不同，我們每天還是可以通過看真實的面孔或其照片來認出我們的家人和朋友。

臉部影象並非只是畫素點的隨機組合，人臉是有結構的、對稱的。臉上有眼睛、鼻子和嘴巴，並且它們都位於臉的特定部位。每個人的臉都有各自的眼睛、鼻子和嘴巴的特定組合模式。通過分析一個人臉部影象的多個樣本，學習程式可以捕捉到那個人特有的模式，然後在所給的影象中檢測這種模式，從而進行辨認。

機器學習在構建數學模型時利用了統計學理論，因為其核心任務就是從樣本中推理。電腦科學的角色是雙重的：第一，在訓練時，我們需要求解優化問題以及儲存和處理通常所面對的海量資料的高效演算法。第二，一旦學習得到了一個模型，它的表示和用於推理的演算法解也必須是高效的。

本書討論了機器學習在統計學、模式識別、神經網路、人工智慧、訊號處理等不同領域的應用。其中涵蓋的內容比較全面，且易於學習和掌握。主要內容包括：監督學習、貝葉斯決策理論、引數方法、多元方法、維度歸約、非引數方法、決策樹、線性判別式、多層感知器、隱馬爾可夫模型、組合多學習器以及增強學習等。

分享請關注“中科院計算所培訓中心”微信公眾號，

並回復“jqxx”即可得到下載地址；