出版者的话中文版序译者序前言致谢符号表第1章 绪论 1.1　什么是机器学习 1.2　机器学习的应用实例 1.2.1　学习关联性 1.2.2　分类 1.2.3　回归 1.2.4　非监督学习 1.2.5　增强学习 1.3　注释 1.4　相关资源 1.5　习题 1.6　参考文献第2章 监督学习 2.1　由实例学习类 2.2　VC维 2.3　概率逼近正确学习 2.4　噪声 2.5　学习多类 2.6　回归 2.7　模型选择与泛化 2.8　监督机器学习算法的维 2.9　注释 2.10　习题 2.11　参考文献第3章 贝叶斯决策定理 3.1　引言　 3.2　分类 3.3　损失与风险 3.4　判别式函数 3.5　效用理论 3.6　信息值 3.7　贝叶斯网络 3.8　影响图 3.9　关联规则 3.10　注释 3.11　习题 3.12　参考文献第4章 参数方法 4.1　引言 4.2　最大似然估计 4.2.1　伯努利密度 4.2.2　多项密度 4.2.3　高斯（正态）密度 4.3　评价估计：偏倚和方差 4.4　贝叶斯估计 4.5　参数分类 4.6　回归 4.7　调整模型的复杂度：偏倚／方差两难选择 4.8　模型选择过程 4.9　注释 4.10　习题 4.11　参考文献第5章 多元方法 5.1　多元数据 5.2　参数估计 5.3　缺失值估计 5.4　多元正态分布 5.5　多元分类……第6章　维度旭纳第7章　聚类第8章　非参数方法第9章　决策树第10章　线性判别式第11章　多层感知器第12章　局部模型　第13章　隐马尔可夫模型　第14章　分类算法评估和比较第15章　组合多学习器第16章　增强学习