"在人工智能与控制科学产生深度交叉融合的背景下，本书对机器学习和模型推理的经典算法和前沿理论知识进行深度剖析和全面梳理，形成具有理论深度和知识广度的参考资料，旨在支撑“智能科学与技术”和“控制科学与工程”两个一级学科的建设和发展。
本书的主要内容分成两篇。第一篇主要介绍机器学习的主要理论和方法，包括统计决策方法、监督学习方法、无监督学习方法、深度学习方法和近似推理方法。除了总结经典算法之外，第一篇还介绍了**的集成学习方法（如迁移学习、终身学习和元学习）和深度学习方法（如图神经网络、深度信念网络和深度生成网络），使学生能够掌握机器学习专业方向的前沿理论知识。第二篇主要介绍模型推理的主要理论与方法，包括静态统计模型、概率图模型、马尔可夫模型以及马尔可夫决策过程。在模型知识的驱动下，第二篇聚焦控制领域的状态估计、系统辨识和马尔可夫决策，形成更具理论深度的高层次学习内容。为了帮助读者掌握核心内容和知识点，每章都配备了习题和主要参考文献，附录提供了本书学习的推荐基础知识。
本书前半部分的知识点相对容易，适合本科教学；后半部分的知识点对矩阵分析和随机过程等数学知识要求较高，适合研究生教学。本书也是机器学习、模式识别和系统辨识等专业研究生科研的重要参考资料。
"