Jong Chul Ye，于1999年获美国普渡大学博士学位，现任韩国科学技术院（Korea Advanced Institute for Science and Technology，KAIST）生物与脑工程系教授和数学科学系兼职教授；长期从事压缩感知图像重建、信号处理和机器学习等研究；是IEEE Fellow，IEEE SPS计算成像技术委员会主席；目前是IEEE Transactions on Medical Imaging副主编、IEEE Signal Processing Magazine资深编辑，以及BMC Biomedical Engineering部门编辑；曾担任2020 IEEE International Symposium on Biomedical Imaging（ISBI）大会共主席，IEEE Transactions on Image Processing、IEEE Transactions on Computational Imaging、Journal of Electronic Imaging副主编，Magnetic Resonance in Medicine编委会成员，以及Physics in Medicine and Biology国际咨询委员会成员。

第一部分 机器学习基础
第1章 数学预备知识
1．1 度量空间
1．2 向量空间
1．3 巴拿赫空间与希尔伯特空间
1．4 概率空间
1．5 矩阵代数
1．5．1 Kronecker积
1．5．2 矩阵与向量微积分
1．6 凸优化基础
1．6．1 基本概念
1．6．2 凸集与凸函数
1．6．3 次微分
1．6．4 凸共轭
1．6．5 拉格朗日对偶公式
1．7 习题
第2章 线性与核分类器
2．1 引言
2．2 硬间隔线性分类器
2．2．1 可分离情况的最大间隔分类器
2．2．2 对偶公式
2．2．3 KKT条件与支持向量
2．3 软间隔线性分类器
2．4 采用核SVM的非线性分类器
2．4．1 特征空间中的线性分类器
2．4．2 核技巧
2．5 图像分类的经典方法
2．6 习题
第3章 线性回归、逻辑回归与核回归
3．1 引言
3．2 线性回归
3．3 逻辑回归
3．3．1 对数概率与线性回归
3．3．2 使用逻辑回归进行多分类
3．4 岭回归
3．5 核回归
3．6 回归中的偏差-方差权衡
3．7 习题
第4章 再生核希尔伯特空间与表示定理
4．1 引言
4．2 再生核希尔伯特空间
4．2．1 特征映射和核
4．2．2 再生核希尔伯特空间的定义
4．3 表示定理
4．4 表示定理的应用
4．4．1 核岭回归
4．4．2 核SVM
4．5 核机器的优缺点
4．6 习题

第二部分 深度学习的构成要素
第5章 生物神经网络
5．1 引言
5．2 神经元
5．2．1 神经元解剖
5．2．2 信号传输机制
5．2．3 突触可塑性
5．3 生物神经网络
5．3．1 视觉系统
5．3．2 Hubel-Wiesel模型
5．3．3 Jennifer Aniston细胞
5．4 习题
第6章 人工神经网络与反向传播
6．1 引言
6．2 人工神经网络
6．2．1 符号约定
6．2．2 单个神经元建模
6．2．3 多层前馈神经网络
6．3 人工神经网络训练
6．3．1 问题描述
6．3．2 优化器
6．4 反向传播算法
6．4．1 反向传播算法的推导
6．4．2 反向传播算法的几何解释
6．4．3 反向传播算法的变分解释
6．4．4 局部变分公式
6．5 习题
第7章 卷积神经网络
7．1 引言
7．2 现代卷积神经网络发展简史
7．2．1 AlexNet
7．2．2 GoogLeNet
7．2．3 VGGNet
7．2．4 ReSNet
7．2．5 DenSeNet
7．2．6 U-Net
7．3 卷积神经网络的基础构件
7．3．1 卷积
7．3．2 池化与反池化
7．3．3 跳跃连接
7．4 训练卷积神经网络
7．4．1 损失函数
7．4．2 数据划分
7．4．3 正则化
7．5 卷积神经网络可视化
7．6 卷积神经网络的应用
7．7 习题
第8章 图神经网络
……

第三部分 深度学习的高级主题

附录A 专业术语中英文对照表

参考文献