附注提要
本书对所有重要的机器学习方法和新近研究趋势进行了深入探索, 新版重写了关于神经网络和深度学习的章节, 并扩展了关于贝叶斯学习的内容。书中首先讨论基础知识, 包括均方、最小二乘和最大似然方法, 以及岭回归、贝叶斯决策理论分类、逻辑回归和决策树。然后介绍较新的技术, 包括稀疏建模方法、再生核希尔伯特空间和支持向量机中的学习、关注EM算法的贝叶斯推理及其变分近似推理、蒙特卡罗方法、关注贝叶斯网络的概率图模型、隐马尔可夫模型和粒子滤波。此外, 书中还讨论了降维、隐变量建模、统计参数估计、维纳和卡尔曼滤波、凸优化等技术。