本书共八章，第一章为绪论，简要介绍机器学习的概念、发展历程、分类及发展前景；第二章分析机器学习的数学基础，主要包括线性代数与矩阵分析基础、概率与统计基础、优化理论基础；第三章至第七章分别研究贝叶斯分类器、决策树算法、神经网络学习算法、数据维度归约方法、关联规则和协同过滤等典型机器学习算法；第八章分析机器学习在商业、建筑、医药等领域的应用。

第一章 绪论
第一节 机器学习的概念
第二节 机器学习的发展历程
第三节 机器学习的分类
第四节 机器学习的发展前景
第二章 机器学习的数学基础
第一节 线性代数与矩阵分析基础
第二节 概率与统计基础
第三节 优化理论基础
第三章 贝叶斯分类器
第一节 贝叶斯决策
第二节 朴素贝叶斯分类器
第三节 正态贝叶斯分类器
第四章 决策树算法
第一节 概述
第二节 决策树分裂的不纯度度量
第三节 典型决策树算法
第五章 神经网络学习算法
第一节 人工神经网络概述
第二节 前馈神经网络
第三节 反馈神经网络
第六章 数据维度归约方法
第一节 单类数据降维
第二节 流形学习
第三节 多类数据特征选择与提取
第七章 关联规则和协同过滤
第一节 关联规则概述
第二节 关联规则的经典算法
第三节 协同过滤
第八章 机器学习的应用领域
第一节 商业领域
第二节 建筑领域
第三节 医药领域
第四节 其他领域
参考文献