结构：为什么重要｜入门先做什么｜直觉图景｜最小例子｜常见误区｜术语小抄｜什么时候用｜读完你应该会｜往后怎么学｜本章总结（一段话）
- 本章解释其在全书中的定位与价值。
- 先看提要与例子，抓住主线，再决定是否细读推导。
- 提供一个比喻或图景帮助理解关键概念。
- 给出一个不写代码也能动手的最小练习。
- 列出新手最常犯的2–3个错误。
- 罗列5–8个核心术语。
- 指出最常见的落地场景。
- 列出完成本章后可检验的能力点。
- 给出本书内的自然跳转锚点。
本章用非技术化的方式定义了机器学习、区分了监督/无监督等任务，并用KNN、线性/逻辑回归、交叉验证与过拟合等直观概念搭起全书支架：从数据到模型再到泛化评估。它的目的不是给出细节，而是建立一条‘不确定性下做推断与决策’的思维主线，后续各章都在这条主线上展开。
- 本章解释其在全书中的定位与价值。
- 先看提要与例子，抓住主线，再决定是否细读推导。
- 提供一个比喻或图景帮助理解关键概念。
- 给出一个不写代码也能动手的最小练习。
- 列出新手最常犯的2–3个错误。
- 罗列5–8个核心术语。
- 指出最常见的落地场景。
- 列出完成本章后可检验的能力点。
- 给出本书内的自然跳转锚点。
本章回顾了概率论与信息论的基本语法：随机变量与常见分布、联合/条件/边缘与Bayes规则、熵/KL/互信息，以及蒙特卡罗近似和中心极限定理。它为后文提供统一的量化语言，使我们能表达不确定性、计算后验与信息量并用数值方法近似难解积分。
- 本章解释其在全书中的定位与价值。
- 先看提要与例子，抓住主线，再决定是否细读推导。
- 提供一个比喻或图景帮助理解关键概念。
- 给出一个不写代码也能动手的最小练习。
- 列出新手最常犯的2–3个错误。
- 罗列5–8个核心术语。
- 指出最常见的落地场景。
- 列出完成本章后可检验的能力点。
- 给出本书内的自然跳转锚点。
本章聚焦离散数据的生成式建模与朴素贝叶斯分类，以Beta–Binomial与Dirichlet–Multinomial等共轭模型为主线，展示‘似然×先验→后验→后验预测’的闭式推断流程，并在文本分类中讨论平滑、互信息选特征与数值稳定（log-sum-exp）。
- 本章解释其在全书中的定位与价值。
- 先看提要与例子，抓住主线，再决定是否细读推导。
- 提供一个比喻或图景帮助理解关键概念。
- 给出一个不写代码也能动手的最小练习。
- 列出新手最常犯的2–3个错误。
- 罗列5–8个核心术语。
- 指出最常见的落地场景。
- 列出完成本章后可检验的能力点。
- 给出本书内的自然跳转锚点。
本章系统化多元高斯（MVN）族：条件/边缘仍为高斯、精度矩阵与条件独立关系、Wishart先验，以及线性判别分析（LDA/QDA）的判别式应用。它强调高斯族的解析友好性，既可做判别分类，也支撑线性高斯系统与卡尔曼滤波等后续内容。
- 本章解释其在全书中的定位与价值。
- 先看提要与例子，抓住主线，再决定是否细读推导。
- 提供一个比喻或图景帮助理解关键概念。
- 给出一个不写代码也能动手的最小练习。
- 列出新手最常犯的2–3个错误。
- 罗列5–8个核心术语。
- 指出最常见的落地场景。
- 列出完成本章后可检验的能力点。
- 给出本书内的自然跳转锚点。
本章构建贝叶斯统计学的操作体系：如何总结后验（MAP/区间）、如何比较模型（边际似然与Bayes因子，体现Occam剃刀）、如何选与设先验（非信息/稳健/混合），以及层次与经验贝叶斯在多任务与小样本中的优势，并以贝叶斯决策理论收束。
- 本章解释其在全书中的定位与价值。
- 先看提要与例子，抓住主线，再决定是否细读推导。
- 提供一个比喻或图景帮助理解关键概念。
- 给出一个不写代码也能动手的最小练习。
- 列出新手最常犯的2–3个错误。
- 罗列5–8个核心术语。
- 指出最常见的落地场景。
- 列出完成本章后可检验的能力点。
- 给出本书内的自然跳转锚点。
本章从频率学派视角讨论估计量的采样分布与性质（无偏/一致/最小方差），阐释偏差—方差权衡，并把经验风险最小化/结构风险最小化、正则化与交叉验证等工程实践串成一体，同时提醒对p值与置信区间误读等常见陷阱保持警惕。
- 本章解释其在全书中的定位与价值。
- 先看提要与例子，抓住主线，再决定是否细读推导。
- 提供一个比喻或图景帮助理解关键概念。
- 给出一个不写代码也能动手的最小练习。
- 列出新手最常犯的2–3个错误。
- 罗列5–8个核心术语。
- 指出最常见的落地场景。
- 列出完成本章后可检验的能力点。
- 给出本书内的自然跳转锚点。
本章以线性回归为例阐明‘模型=几何投影’的直觉，证明OLS=高斯噪声下的MLE，并讨论稳健回归与岭回归的正则化效果、数值稳定与证据最大化的超参选择，再给出贝叶斯线性回归的后验与预测，形成从经典到贝叶斯的一条连贯路径。
- 本章解释其在全书中的定位与价值。
- 先看提要与例子，抓住主线，再决定是否细读推导。
- 提供一个比喻或图景帮助理解关键概念。
- 给出一个不写代码也能动手的最小练习。
- 列出新手最常犯的2–3个错误。
- 罗列5–8个核心术语。
- 指出最常见的落地场景。
- 列出完成本章后可检验的能力点。
- 给出本书内的自然跳转锚点。
本章给出逻辑回归/Softmax回归的规格与优化方法（Newton/IRLS/拟牛顿/在线SGD），讨论正则化与多类扩展，并用拉普拉斯等近似实现贝叶斯版本；同时回顾生成式与判别式分类器的取舍与缺失数据处理，确立工程分类的基础做法。
- 本章解释其在全书中的定位与价值。
- 先看提要与例子，抓住主线，再决定是否细读推导。
- 提供一个比喻或图景帮助理解关键概念。
- 给出一个不写代码也能动手的最小练习。
- 列出新手最常犯的2–3个错误。
- 罗列5–8个核心术语。
- 指出最常见的落地场景。
- 列出完成本章后可检验的能力点。
- 给出本书内的自然跳转锚点。
本章把指数族与链接函数结合，构成统一的广义线性模型（GLM）框架，覆盖二项/泊松/序数等多种输出；在此框架下讨论ML/MAP/贝叶斯估计、Probit回归、层次/多任务与GLMMs，以及学习排序的点/对/列表方法与损失设计。
- 本章解释其在全书中的定位与价值。
- 先看提要与例子，抓住主线，再决定是否细读推导。
- 提供一个比喻或图景帮助理解关键概念。
- 给出一个不写代码也能动手的最小练习。
- 列出新手最常犯的2–3个错误。
- 罗列5–8个核心术语。
- 指出最常见的落地场景。
- 列出完成本章后可检验的能力点。
- 给出本书内的自然跳转锚点。
本章介绍有向图模型（Bayes网）及其条件独立与d-分离性质，以朴素贝叶斯、HMM与医疗诊断为例说明建模方式；随后给出板式记号、参数与结构学习、含缺失/潜变量的学习与推断方法，为后续EM与结构学习埋下伏笔。
- 本章解释其在全书中的定位与价值。
- 先看提要与例子，抓住主线，再决定是否细读推导。
- 提供一个比喻或图景帮助理解关键概念。
- 给出一个不写代码也能动手的最小练习。
- 列出新手最常犯的2–3个错误。
- 罗列5–8个核心术语。
- 指出最常见的落地场景。
- 列出完成本章后可检验的能力点。
- 给出本书内的自然跳转锚点。
本章以混合模型为核心展示潜变量建模：高斯混合、Multinoulli混合、专家混合等，并系统推导EM算法（含在线与变体）及其理论动机；同时讨论不可识别性与初始化、模型选择（如成分数），以及在缺失数据与更复杂图模型中的应用。
- 本章解释其在全书中的定位与价值。
- 先看提要与例子，抓住主线，再决定是否细读推导。
- 提供一个比喻或图景帮助理解关键概念。
- 给出一个不写代码也能动手的最小练习。
- 列出新手最常犯的2–3个错误。
- 罗列5–8个核心术语。
- 指出最常见的落地场景。
- 列出完成本章后可检验的能力点。
- 给出本书内的自然跳转锚点。
本章讨论线性潜因子模型：从经典PCA与SVD等价出发，发展到PPCA/FA的概率表达与EM拟合，再到选择潜维、处理缺失与ICA的非高斯独立成分分解；它统一了‘降维/可视化/去噪/源分离’的概率视角。
- 本章解释其在全书中的定位与价值。
- 先看提要与例子，抓住主线，再决定是否细读推导。
- 提供一个比喻或图景帮助理解关键概念。
- 给出一个不写代码也能动手的最小练习。
- 列出新手最常犯的2–3个错误。
- 罗列5–8个核心术语。
- 指出最常见的落地场景。
- 列出完成本章后可检验的能力点。
- 给出本书内的自然跳转锚点。
本章研究高维下的稀疏建模：频率派的L1正则（Lasso）及其算法与扩展（组/融合/弹性网、非凸正则），贝叶斯的稀疏先验与ARD/SBL机理，并连接稀疏编码、压缩感知与图像修补/去噪等应用，强调稀疏性带来的泛化、计算与可解释性红利。
- 本章解释其在全书中的定位与价值。
- 先看提要与例子，抓住主线，再决定是否细读推导。
- 提供一个比喻或图景帮助理解关键概念。
- 给出一个不写代码也能动手的最小练习。
- 列出新手最常犯的2–3个错误。
- 罗列5–8个核心术语。
- 指出最常见的落地场景。
- 列出完成本章后可检验的能力点。
- 给出本书内的自然跳转锚点。
本章系统梳理核函数与核技巧：把非线性问题隐式映射到高维以线性求解；给出核岭回归、KPCA、KDE/核回归与SVM（分类/回归）的训练与调参，并讨论如何选择C与核，及核方法与概率模型之间的联系与差异。
- 本章解释其在全书中的定位与价值。
- 先看提要与例子，抓住主线，再决定是否细读推导。
- 提供一个比喻或图景帮助理解关键概念。
- 给出一个不写代码也能动手的最小练习。
- 列出新手最常犯的2–3个错误。
- 罗列5–8个核心术语。
- 指出最常见的落地场景。
- 列出完成本章后可检验的能力点。
- 给出本书内的自然跳转锚点。
本章把高斯过程（GP）作为非参数贝叶斯的代表：由核定义协方差先验，通过条件高斯得到回归与分类的预测分布；随后讨论超参数学习与核设计、与线性模型/核方法/神经网络的联系，以及大数据下的稀疏与近似推断技术。
- 本章解释其在全书中的定位与价值。
- 先看提要与例子，抓住主线，再决定是否细读推导。
- 提供一个比喻或图景帮助理解关键概念。
- 给出一个不写代码也能动手的最小练习。
- 列出新手最常犯的2–3个错误。
- 罗列5–8个核心术语。
- 指出最常见的落地场景。
- 列出完成本章后可检验的能力点。
- 给出本书内的自然跳转锚点。
本章覆盖自适应基函数模型：决策树（生长/剪枝）与随机森林、GAM/MARS、Boosting 家族（Ada/Logit/梯度提升）及其函数梯度观点，再到前馈神经网络与反向传播、正则化与集成学习，并讨论黑箱模型的可解释化方法。
- 本章解释其在全书中的定位与价值。
- 先看提要与例子，抓住主线，再决定是否细读推导。
- 提供一个比喻或图景帮助理解关键概念。
- 给出一个不写代码也能动手的最小练习。
- 列出新手最常犯的2–3个错误。
- 罗列5–8个核心术语。
- 指出最常见的落地场景。
- 列出完成本章后可检验的能力点。
- 给出本书内的自然跳转锚点。
本章先述马尔可夫链与应用（语言模型、PageRank），再引入隐马尔可夫模型（HMM）的三类推断任务（过滤/平滑/解码）与前向、前后向、Viterbi等算法，讨论EM训练（Baum–Welch）、判别式训练、模型选择与多种结构扩展（半马尔可夫/层次/耦合等）。
- 本章解释其在全书中的定位与价值。
- 先看提要与例子，抓住主线，再决定是否细读推导。
- 提供一个比喻或图景帮助理解关键概念。
- 给出一个不写代码也能动手的最小练习。
- 列出新手最常犯的2–3个错误。
- 罗列5–8个核心术语。
- 指出最常见的落地场景。
- 列出完成本章后可检验的能力点。
- 给出本书内的自然跳转锚点。
本章以线性高斯状态空间模型为主线，给出卡尔曼滤波/平滑与EM学习及其数值稳定问题，并基于近似法扩展到非线性/非高斯（EKF/UKF/ADF）；进一步介绍离散-连续混合SSM与多目标跟踪、故障诊断、经济预测等应用。
- 本章解释其在全书中的定位与价值。
- 先看提要与例子，抓住主线，再决定是否细读推导。
- 提供一个比喻或图景帮助理解关键概念。
- 给出一个不写代码也能动手的最小练习。
- 列出新手最常犯的2–3个错误。
- 罗列5–8个核心术语。
- 指出最常见的落地场景。
- 列出完成本章后可检验的能力点。
- 给出本书内的自然跳转锚点。
本章转向无向图模型（MRF/CRF）：先给出马尔可夫性质与势函数因子化，再举Ising/Potts/Hopfield/GMRF与Markov逻辑网络等例；随后讨论最大熵训练、伪似然/对比学习与特征诱导，系统介绍线性链CRF的训练与应用，以及结构SVM的概率与非概率两种视角。
- 本章解释其在全书中的定位与价值。
- 先看提要与例子，抓住主线，再决定是否细读推导。
- 提供一个比喻或图景帮助理解关键概念。
- 给出一个不写代码也能动手的最小练习。
- 列出新手最常犯的2–3个错误。
- 罗列5–8个核心术语。
- 指出最常见的落地场景。
- 列出完成本章后可检验的能力点。
- 给出本书内的自然跳转锚点。
本章聚焦精确推断：树上信念传播（串/并行）、变量消元与结点树算法及其复杂度；给出‘树宽’决定可计算性的核心洞见，并指出一般图上精确推断的不可 tractable 性，从而为变分与采样等近似方法提供动机。
- 本章解释其在全书中的定位与价值。
- 先看提要与例子，抓住主线，再决定是否细读推导。
- 提供一个比喻或图景帮助理解关键概念。
- 给出一个不写代码也能动手的最小练习。
- 列出新手最常犯的2–3个错误。
- 罗列5–8个核心术语。
- 指出最常见的落地场景。
- 列出完成本章后可检验的能力点。
- 给出本书内的自然跳转锚点。
本章以变分推断为主题：把后验近似转化为最大化ELBO的问题，先推导均值场与结构化均值场，再给出VB/VBEM在高斯与线性回归中的示例，同时用局部二次与对数和指数/ Sigmoid 的上界构造可解的变分目标。
- 本章解释其在全书中的定位与价值。
- 先看提要与例子，抓住主线，再决定是否细读推导。
- 提供一个比喻或图景帮助理解关键概念。
- 给出一个不写代码也能动手的最小练习。
- 列出新手最常犯的2–3个错误。
- 罗列5–8个核心术语。
- 指出最常见的落地场景。
- 列出完成本章后可检验的能力点。
- 给出本书内的自然跳转锚点。
本章继续展开近似推断：从循环BP的算法与理论（边缘多面体、自由能）出发，引出广义/凸BP；随后系统讲解期望传播（EP）的矩匹配思想与应用（如TrueSkill），并把焦点转到MAP状态估计的图割、线性规划松弛与双分解等优化工具。
- 本章解释其在全书中的定位与价值。
- 先看提要与例子，抓住主线，再决定是否细读推导。
- 提供一个比喻或图景帮助理解关键概念。
- 给出一个不写代码也能动手的最小练习。
- 列出新手最常犯的2–3个错误。
- 罗列5–8个核心术语。
- 指出最常见的落地场景。
- 列出完成本章后可检验的能力点。
- 给出本书内的自然跳转锚点。
本章讲解蒙特卡罗近似：从拒绝/重要性采样到序贯重要性与粒子滤波（退化与重采样、提议设计），并通过机器人定位、视觉跟踪与时间序列预测等例子展示其威力；同时引入Rao–Blackwell化与RBPF以降低方差或分解问题。
- 本章解释其在全书中的定位与价值。
- 先看提要与例子，抓住主线，再决定是否细读推导。
- 提供一个比喻或图景帮助理解关键概念。
- 给出一个不写代码也能动手的最小练习。
- 列出新手最常犯的2–3个错误。
- 罗列5–8个核心术语。
- 指出最常见的落地场景。
- 列出完成本章后可检验的能力点。
- 给出本书内的自然跳转锚点。
本章系统化MCMC：Gibbs与Metropolis–Hastings、提议分布与自适应、阻塞/Collapsed以及辅助变量（切片、Pólya–Gamma）、HMC与退火/并行温度等加强技术；给出收敛诊断与精度评估，并介绍若干证据近似法。
- 本章解释其在全书中的定位与价值。
- 先看提要与例子，抓住主线，再决定是否细读推导。
- 提供一个比喻或图景帮助理解关键概念。
- 给出一个不写代码也能动手的最小练习。
- 列出新手最常犯的2–3个错误。
- 罗列5–8个核心术语。
- 指出最常见的落地场景。
- 列出完成本章后可检验的能力点。
- 给出本书内的自然跳转锚点。
本章概览聚类方法与评估：相似度度量的选择、DP混合的贝叶斯非参范式、亲和传播与谱聚类、层次聚类（凝聚/分裂）及选择簇数的方法，并讨论双聚类/多视图等扩展，强调‘度量与评估优先于算法口味’。
- 本章解释其在全书中的定位与价值。
- 先看提要与例子，抓住主线，再决定是否细读推导。
- 提供一个比喻或图景帮助理解关键概念。
- 给出一个不写代码也能动手的最小练习。
- 列出新手最常犯的2–3个错误。
- 罗列5–8个核心术语。
- 指出最常见的落地场景。
- 列出完成本章后可检验的能力点。
- 给出本书内的自然跳转锚点。
本章讨论图模型的结构学习：相关/依赖网络、树结构（Chow–Liu与MAP森林）、DAG结构的精确与可扩展搜索、潜变量与缺失下的边际似然近似与结构EM、因果DAG与Simpson悖论解析、以及GGM/离散MRF的稀疏化学习（图Lasso/薄结点树）。
- 本章解释其在全书中的定位与价值。
- 先看提要与例子，抓住主线，再决定是否细读推导。
- 提供一个比喻或图景帮助理解关键概念。
- 给出一个不写代码也能动手的最小练习。
- 列出新手最常犯的2–3个错误。
- 罗列5–8个核心术语。
- 指出最常见的落地场景。
- 列出完成本章后可检验的能力点。
- 给出本书内的自然跳转锚点。
本章汇总离散观测的潜变量模型：从指数族PCA到LDA及其变体（相关/动态/监督/LDA-HMM），覆盖Gibbs/VB/在线VI拟合与主题数选择；在图与关系数据上，给出SBM/MMSBM/RTM与IRM；在推荐上，介绍PMF；并以RBM及其学习/应用收尾。
- 本章解释其在全书中的定位与价值。
- 先看提要与例子，抓住主线，再决定是否细读推导。
- 提供一个比喻或图景帮助理解关键概念。
- 给出一个不写代码也能动手的最小练习。
- 列出新手最常犯的2–3个错误。
- 罗列5–8个核心术语。
- 指出最常见的落地场景。
- 列出完成本章后可检验的能力点。
- 给出本书内的自然跳转锚点。
本章以早期深度学习为主题：深生成模型（DBN/DBM、深度自编码器/堆叠去噪AE）与深判别模型（深MLP/CNN），强调贪婪逐层预训练+微调的范式，并通过手写体、可视化/特征学习与检索等案例展示深度表示的优势与当时的实践路径。