本书旨在通过对机器学习主要原理和方法的介绍，并且结合作者多年来在视觉感知方面的研究成果，对于其他书籍未涉及的一些前沿研究进行补充阐述。本书面向有一定数学基础的模式识别专业的本科生和研究生，以及有志于钻研模式识别相关领域，包括机器学习和视觉感知等方向的读者，通过对于基础理论循序渐进、深人浅出的讲解，帮助读者更快速地掌握机器学习的基本方法，在此基础上每章的内容由易到难，读者可以根据自己的掌握程度以及兴趣，选择特定的方向进行更深人的学习。

张宝昌， 北京航空航天大学自动化学院长聘副教授，特聘研究员。2001-2006年，中国科学院，中科院联合实验室(jdl)2007年很好论文提名奖。2006-2007,先后在香港中文大学、澳大利亚Griffith University从事研究工作，主要的研究方向为人脸识别、视频理解、机器学习。2008.3-，北航自动化学院，主讲“模式识别与机器学习”“现代控制导论”“机器学习理论与应用”“图像处理系列实验”等课程。自获得博士学位(2007年)以来发表论文40余篇，其中SCI(SCI)检索期刊12篇（其中1篇录用待检索），EI检索16篇，在SCI网络版他引次数155次。

章机器学习的发展史
引言
1．1机器学习
1．1．1基本简介
1．1．2机器学习的定义和研究意义
1．1．3机器学习的发展史
1．1．4机器学习的主要策略
1．1．5机器学习系统的基本结构
1．1．6机器学习的分类
1．1．7目前研究领域
1．2统计模式识别问题
1．2．1机器学习问题的表示
1．2．2经验风险最小化
1．2．3复杂性与推广能力
1．3统计学习理论的核心内容
1．3．1学习过程一致性的条件
1．3．2推广性的界
1．3．3结构风险最小化
小结
第2章PAC模型
引言
2．1基本的PAC模型
2．1．1PAC简介
2．1．2基本概念
2．1．3问题框架
2．2PAC模型样本复杂度分析
2．2．1有限空间样本复杂度
2．2．2无限空间样本复杂度
小结
第3章决策树学习
引言
3．1决策树学习概述
3．1．1决策树
3．1．2性质
3．1．3应用
3．1．4学习
3．2决策树设计
3．2．1决策树的特点
3．2．2决策树的生成
小结
第4章贝叶斯学习
引言
4．1贝叶斯学习
4．1．1贝叶斯公式
4．1．2最小误差决策
4．1．3正态密度
4．1．4优选似然估计
4．2朴素贝叶斯原理及应用
4．2．1贝叶斯最佳假设原理
4．2．2NaiveBayes分类
4．2．3基于NaiveBayes的文本分类器
4．3HMM（隐性马氏模型）及应用
4．3．1马尔科夫性
4．3．2马尔科夫链
4．3．3转移概率矩阵
4．3．4HMM（隐性马尔科夫模型）及应用
小结
第5章支持向量机
引言
5．1支持向量机
5．2支持向量机的核函数选择
5．3支持向量机的实例
5．4多类支持向量机
小结
第6章AdaBoost
第7章压缩感知
第8章子空间
第9章深度学习与神经网络
0章调制卷积神经网络（MCN）
1章强化学习
参考文献