前言
模式识别起源于工程，而机器学习从计算机科学中产生。然而这两者被看做同一领域的两方面，过去十年里他们获得了极大的发展。特别是，贝叶斯方法已经发展成主流，而图模型已经被融入用于描述和应用概率模型的通用框架。而且通过大量的近似算法，例如变分贝叶斯和期望传播，贝叶斯方法的实际应用已经被极大的增强。相似地，基于核的新模型也极大的影响了现有的算法和应用。
这本教材综合性地介绍了模式识别和机器学习领域的算法和技术以及其近来发展。针对于高年级本科生、博士生、研究人员及其他参与者，不需要有任何关于模式识别或机器学习的预备知识。需要多变量微积分和基本的线性代数知识、熟悉概率知识，本书提供包括了一个独立的基本概率论的简介。
由于这本书涵盖内容很广，不能提供参考文献的完整列表，特别是没有提供理论的准确的历史来源。目标是提供给出更多细节的参考文献和有望提供切入点的综述型文献。因此，参考文献通常是新的教材和总数文章而不是原始的起源性文献。
练习题
每章末尾的习题是本书的重要组成部分。每个练习都经过精心挑选，用于正文中解释的概念的巩固或是加深以及推广，每个题目都被根据难易程度评级，*代表简单习题，可以在几分钟内完成，***代表复杂得多的习题。
这些习题的答案能够被广泛使用的程度是很难确定的。自学者认为开卷有益，而很多课程导师请求答案通过出版者获得以便习题可以在课上使用。为了尽力满足这两种矛盾的请求，用于加深知识点或充满重要细节的习题的答案可以从本书网站上下载到PDF版本。这些习题会被标注www用来识别。其余习题的答案可以由课程导师联系出版人获得（联系细节详见本书网站）。读者应尽量独立完成这些习题，遇到极难的问题再参考答案。
尽管本书针对于概念和理论，在课程中，学生应该在合适的数据集上实现一些关键算法。合作版本（Bishop and Nabney，2008）将会介绍模式识别和机器学习的实际应用，并附上本书中讨论的大多数算法的Matlab实现。
致谢
。。。