本書將最優(yōu)控制方法融入機(jī)器學(xué)習(xí)的研究中，創(chuàng)新地建立了一個基于最優(yōu)反饋控制在線學(xué)習(xí)框架，并在該框架下提出了一系列用于解決線性和非線性的分類與回歸問題的魯棒自適應(yīng)學(xué)習(xí)算法;構(gòu)建了基于最優(yōu)控制的魯棒在線學(xué)習(xí)架構(gòu)，分別討論該架構(gòu)下的線性回歸、二分類和多分類問題，并且將線性問題的架構(gòu)拓展到非線性回歸與分類問題；提出了基于控制的深度學(xué)習(xí)優(yōu)化器CSGC，基于深度學(xué)習(xí)的思想，提出了一種深度學(xué)習(xí)視角下的樣本選擇模型。本書提出的算法體系拓展至當(dāng)下熱門的深度學(xué)習(xí)領(lǐng)域，成功應(yīng)用于圖像識別和文本分類等復(fù)雜任務(wù)，為解決現(xiàn)實(shí)世界的復(fù)雜問題提供了新的工具和方法。此外，本書將改進(jìn)的深度學(xué)習(xí)算法與傳統(tǒng)微觀計量模型相結(jié)合，從全新視角探討了樣本選擇問題，為機(jī)器學(xué)習(xí)與計量經(jīng)濟(jì)學(xué)的交叉融合研究提供了有益的參考和啟示。