本书是对第十一届和十二届中国机器学习及其应用研讨会的一个总结，共邀请了会议中的10位专家就其研究领域撰文，以综述的形式探讨了机器学习不同分支及相关领域的研究进展。全书共分10章，内容分别涉及稀疏学习、众包数据中的隐类别分析、演化优化、深度学习、半监督支持向量机、差分隐私保护等技术，以及机器学习在图像质量评价、图像语义分割、多模态图像分析等方面的应用，此外，还介绍了新硬件寒武纪神经网络计算机的研究进展。 本书可供计算机、自动化及相关专业的研究人员、教师、研究生和工程技术人员参考。

高新波，男，博士、长江学者特聘教授，1972年生于山东莱芜。分别于1994、1997和1999年在西安电子科技大学获得学士、硕士和博士学位。1997-1998年赴日本静冈大学学习，2000-2001年赴香港中文大学做博士后研究。主要研究兴趣包括影像处理、分析和理解、模式识别和机器学习等。承担包括国家杰出青年科学基金、国家自然科学基金重点项目等在内的科研课题十余项，发表SCI论文120余篇，Google Scholar引用6000余次，或省部级自然科学一等奖2项、二等奖1项。现为综合业务网理论及关键技术国家重点实验室主任，IET Fellow、IEEE高级会员、中国计算机学会理事、多值逻辑与模糊逻辑专委会主任，中国图象图形学学会常务理事，陕西省图象图形学学会副理事长。担任Signal Processing、Neurocomputing等10个国内外学术期刊的编委，曾先后入选教育部新世纪优秀人才支持计划（2004）、新世纪百千万人才国家级人选（2009）、陕西省重点科技创新团队支持计划（2011）、教育部长江学者创新团队支持计划（2012），获得霍英东教育基金会高等院校青年教师奖（2006）、陕西省青年科技奖（2�10）等。�

随着大数据时代的来临，来自互联网、安全、金融、医疗、科学观测等众多领域的数据呈爆发式增长。在享受巨量数据提供的丰富信息的同时，我们也淹没在数据的海洋中，很难挖掘出急需的信息和最有用的知识。要解决这一矛盾，一个重要的策略是利用机器学习。 机器学习发源于人工智能，近三十年来已经逐渐发展成为一门相对完备且独立的学科，广受计算机科学、统计学、认知科学等相关领域的关注。在理论方面，针对数据采样分布与真实分布的差异，形成了概率近似逼近（PAC）的学习机制，并在此基础上发展了传统的统计学习理论。为避免数据预测中目标函数的病态问题，一系列正则化理论被提出，如侧重于可解释性的稀疏学习技术、侧重于保持数据非线性几何结构的流形正则化理论、期望保持最优分类性能的最大间隔正则技术等。不仅如此，应用驱动的机器学习也推动了众多新兴研究方向的产生，如考虑无标签数据的半监督学习，考虑不同数据分布的迁移学习、领域自适应学习，考虑数据“多”特性的多标签、多示例、多视角、多任务学习，考虑网络数据标记策略的众包学习等。与优化技术如随机梯度下降、半正定规划等的融合，也促进了对大规模数据的处理和对全局最优化求解。值得一提的是，近年来深度（神经网络）学习通过逐阶递减的特征提取技术以及大数据的训练策略，在多个层面如图像、语音甚至文本分类性能上都超越了统计学习为主导的机器学习方法。这使得神经网络在经历了近二十多年的低谷后，再次把广大研究人员的眼球重新吸引回来。它不仅掀起了机器学习的新一轮热潮，也直接导致了工业界对机器学习的研究和发展前所未有的关注。 2002年，陆汝钤院士在复旦大学智能信息处理实验室发起组...