本书探索理论计算机科学和机器学习这两个领域能够互相借鉴的知识，以此把它们关联起来。本书介绍机器学习中的重要模型和主要问题，并以一种容易理解的方式介绍该领域的前沿研究成果以及现代算法工具，包括矩量法、张量分解法和凸规划松弛法。具体来说，本书共8章，内容涵盖非负矩阵分解、主题模型、张量分解、稀疏恢复、稀疏编码、高斯混合模型和矩阵补全等。
本书适合理论计算机科学家、机器学习研究人员以及相关专业的学生阅读和学习。

安柯·莫特拉（Ankur Moitra），麻省理工学院洛克威尔国际数学系副教授。他是麻省理工学院计算机科学和人工智能实验室（CSAIL）的首席研究员，也是计算理论小组、机器学习和统计中心的核心成员。他的工作目标是通过开发在行为推理方面具有可证明的保证和基础的算法，来在理论计算机科学和机器学习之间架起一座桥梁。他是帕克德奖学金、斯隆奖学金、美国国家科学基金会（NSF）终身成就奖、NSF计算与创新奖学金和赫兹奖学金的获得者。

译者序
前言
第1章 引言
第2章 非负矩阵分解
2.1 介绍
2.2 代数算法
2.3 稳定性和可分离性
2.4 主题模型
2.5 练习
第3章 张量分解：算法
3.1 旋转问题
3.2 张量入门
3.3 Jennrich算法
3.4 矩阵摄动界
3.5 练习
第4章 张量分解：应用
4.1 进化树和隐马尔可夫模型
4.2 社区发现
4.3 扩展到混合模型
4.4 独立成分分析
4.5 练习
第5章 稀疏恢复
5.1 介绍
5.2 非相干性和不确定性原理
5.3 追踪算法
5.4 Prony方法
5.5 压缩感知
5.6 练习
第6章 稀疏编码
6.1 介绍
6.2 不完备情况
6.3 梯度下降
6.4 过完备情况
6.5 练习
第7章 高斯混合模型
7.1 介绍
7.2 基于聚类的算法
7.3 密度估计的讨论
7.4 无聚类算法
7.5 单变量算法
7.6 代数几何视图
7.7 练习
第8章 矩阵补全
8.1 介绍
8.2 核范数
8.3 量子高尔夫
参考文献
索引