近年来，新型机器学习架构的种类和复杂性迅速增加，这就要求开发出更好的方法来设计、分析、评估和理解机器学习技术。本书为学生、工程师和科学家提供了数理统计和非线性优化理论方面的工具，帮助他们成为机器学习领域的专家。特别需要指出的是，本书的内容适用于传统的、新发展的以及未来的非线性高维机器学习算法的数学分析和设计。 本书内容自成体系，读者仅需掌握线性代数和概率论相关基础知识即可理解。读者对象包括统计学、计算机科学、电子工程以及应用数学领域的研究生或学习积极性较高的本科生。此外，专业工程师和科研人员在验证确定性和随机机器学习优化算法的收敛性，以及表征算法的采样误差和泛化性能时，也可参考本书。 本书特色： ?所涵盖的统一经验风险最小化框架可用于对广泛使用的监督机器学习算法、无监督机器学习算法和强化学习算法进行严格的数学分析。 ?所涵盖的矩阵微积分方法可用于机器学习分析和设计。 ?给出了保证最小化单峰与多峰目标函数的适应性学习算法、批量学习算法、小批量学习算法，以及MCEM和MCMC学习算法收敛的准确条件。 ?表征了可能存在模型误判的情况下的M估计渐近条件与模型选择准则，如AIC和BIC。