第1章 算子理论基础 1
1.1基本概念和定义 1
1.2常用不等式 7
小结及深入的主题 12
第2章 统计分析基础 15
2.1基本概念 16
2.2常见分布及Matlab实现 22
2.5收敛性 42
2.6随机逼近 45
小结及深入的主题 48
第3章 矩阵分解与计算 53
3.1基本概念 53
3.2矩阵分解与降维 58
小结及深入的主题 70
第4章 分类模型 75
4.1贝叶斯推断 75
4.2高斯混合模型（GMM） 80
4.3Logistic回归 94
4.4判别分析 96
4.5集成学习（Ensemble Learning） 98
小结及深入的主题 100
第5章 数据降维方法 113
5.1主成分分析（PCA） 113
5.2扩展的PCA模型 115
5.3流形学习 118
5.4谱聚类 119
5.5典型谱聚类算法及其性能分析 127
小结及深入的主题 136
第6章 聚类分析 143
6.1经典聚类模型 143
6.2核聚类模型 147
6.3常见算法性能的分析与比较 150
小结及深入的主题 151
第7章 在线学习 155
7.1引言 155
7.2模型和算法 157
7.3模型复杂性及选择 176
7.4算法收敛性、收敛速度和误差界 179
7.5典型应用 183
小结及深入的主题 186
附录A 常用参数和指标 201
A.1期望和方差 201
A.2偏度（Skewness） 201
A.3峰度（Peakness/Kurtosis） 201
附录B 度量 202
B.1相关性度量 202
B.2距离度量 203
附录C Cramer-Rao不等式 206
附录D 中英文对照表 208