面向信号处理的机器学习：数据科学、算法与计算统计学_[英]麦克斯·A.里特尔_9787111725305

本书融合了统计机器学习和数字信号处理方面的知识，详细描述了相关的数学基础和算法，以扎实的、逐步推进的方式引入并讲解概念，以便在实际的软件应用中实现这些想法和算法。对于我们面临的实际问题，书中提供了技术背景，解释了为什么某些方法（而不是其他方法）能够成为zui佳实践；而对于新的问题，书中则提供了框架，教会你如何进行思考和寻求解决之道。本书适合有信号处理背景，并且有意深入学习和应用机器学习的读者阅读。

前　言

Machine Learning for Signal Processing：Data Science，Algorithms,and Computational Statistics

数字信号处理（DSP）是现代世界中一个“基础”的工程课题，但在某种意义上也是一个看不见的工程课题。如果没有它，许多我们习以为常的技术——数字电话、数字收音机、电视、CD和MP3播放器、WiFi、雷达等——都是不可能实现的。相比之下，统计机器学习（statistical machine learning）是一种相对较新的技术，它是目前已经达到普及水平的多项前沿技术的理论支柱，例如汽车牌照识别、语音识别、股市预测、装配线上的缺陷检测等自动化技术，机器人导航和自动汽车导航。统计机器学习起源于近古典概率论和统计学与人工智能的融合，它利用了生物大脑中智能信息处理、复杂统计建模和推理之间的相似性。

数字信号处理和统计机器学习在知识经济中具有广泛的重要性，两者都经历了迅速的变化，在范围和适用性方面都有了根本性的改善。数字信号处理和统计机器学习都利用了应用数学中的重要知识，如概率统计、代数、微积分、图形学和网络。这两个学科之间存在着密切的联系，因此，一种正在形成的观点是，数字信号处理和统计机器学习不应被视为单独的学科。这两个学科之间存在的许多知识和技术的重叠可以被开发和利用，生产出具有惊人的实用性、高效性和广泛适用性的数字信号处理工具，非常适合当今世界普及的数字传感器和高性能但廉价的计算硬件。本书为面向信号处理的统计机器学习课题提供了坚实的数学基础，包括当代概念的概率图模型（PGM）和非参数贝叶斯（nonparametric Bayes），以及近才出现的解决DSP问题的重要概念。

这本书面向高年级本科生、研究生以及相关领域的研究人员和从业人员，阐述了基本的数学概念，并通过工程和科学中一系列问题的相关实例加以说明。其目的是使具有数学、统计学或物理学等学科背景的学生，能够在这个快速发展的领域中迅速掌握新的技术和概念。本书中数学的呈现方式与标准的本科物理或统计学教科书大致相同，没有繁杂的技术内容和专业术语，同时又不缺失严谨性。这将是一本很好的教科书，适用于面向信号处理的机器学习新兴课程。

你还可能感兴趣

我要评论