统计学习方法即机器学习方法，是计算机及其应用领域的一门重要学科。本书分为监督学 习和无监督学习两篇，全面系统地介绍了统计学习的主要方法。包括感知机、k 近邻法、朴素贝叶斯法、决策树、逻辑斯谛回归与最大熵模型、支持向量机、提升方法、EM 算法、隐马尔可夫模型和条件随机场，以及聚类方法、奇异值分解、主成分分析、潜在语义分析、概率潜在语义分析、马尔可夫链蒙特卡罗法、潜在狄利克雷分配和 PageRank 算法等。除有关统计学习、监督学习和无监督学习的概论和总结的四章外，每章介绍一种方法。叙述力求从具体问题或实例入手， 由浅入深，阐明思路，给出必要的数学推导，便于读者掌握统计学习方法的实质，学会运用。 为满足读者进一步学习的需要，书中还介绍了一些相关研究，给出了少量习题，列出了主要参考文献。 本书是统计机器学习及相关课程的教学参考书，适用于高等院校文本数据挖掘、信息检索及自然语言处理等专业的大学生、研究生，也可供从事计算机应用相关专业的研发人员参考。

《计算科学导论(第3版)》是我社出版的《计算科学导论》一书的第三版。《计算科学导论(第3版)》基于计算机科学与技术一级学科（简称计算科学）人才培养科学理论体系，按照学科系列教材一体化设计的纲要，从科学哲学的角度出发，系统地介绍了计算机科学的定义、特点、范畴、形态、历史渊源、发展变化、知识组织结构和分类体系，学科专业培养模式和课程体系等内容，并以学科方法论为切入点，系统地介绍了计算科学的基本问题、学科形态、核心概念、典型方法、典型实例、学科基本工作流程方式等科学哲学范畴内学科范型的内容，系统阐述了计算科学发展的特点、规律，以及学科教学和人才成长的内在规律。全书概念清楚，内容丰富，其高级科普的深度定位，通俗流畅的语言文字，深入浅出的描述和严谨的构思设计有助于读者比较全面地了解计算科学，认识计算科学和学习计算科学。 《计算科学导论(第3版)》可作为大学计算机科学与技术专业计算机科学导论课程的教材或教学参考书。