本书亮点：
跨学科程度高且以数据为导向。
包含生物学数据应用的实操教程。
配有相关网站，提供书中教程及更多应用所需的全部数据集。
由于在监测和操控由众多微观成分构成的复杂系统方面取得了仪器和实验进展，当今大多数科学领域的研究都依赖于不断增长的海量数据。我们如何理解这些数据？我们又该如何利用它们来加深我们对生物、物理和化学系统的认识？
这本教材主要面向物理学、应用数学和计算生物学的研究生，其首要目标是引入概率论、统计学、优化理论、统计物理学、推断理论及机器学习交叉领域的核心概念和方法，以解答上述问题。
本书的第二个目标是为这些方法提供应用实例，帮助学生掌握其基本思想和技术。虽然读者需要具备基本的编程知识（Python或类似语言），但本书的重点不在于数学上的严格性，而在于培养直觉以及揭示这些方法与统计物理学之间的深刻联系。
《从统计物理到数据驱动建模》
1. 贝叶斯推断导论
2. 渐近推断与信息
3. 高维推断：寻找主成分
4. 先验知识、正则化与稀疏性
5. 图模型：从网络重构到波尔兹曼机
6. 无监督学习：从表征到生成模型
7. 监督学习：基于神经网络的分类
8. 时间序列：从马尔可夫模型到隐马尔可夫模型