本书主要介绍由一组核心定理支撑的统计机器学习框架，书中通过相关机器学习案例帮助学生理解框架中的核心定理。对于实践型的专业工程师和科学家来说，本书可以帮助他们验证确保许多常用的确定性和随机机器学习优化算法收敛的充分条件，以及正确使用常用的统计工具来表征抽样误差和泛化性能。此外，由于本书包含大量示例，机器学习课程的教师以及从事机器学习应用的研究人员也会发现本书非常有用。 本书的读者需要具备统计学、计算机科学、电子工程或应用数学方面的基本知识。全书共分为四部分： 第一部分包含第1～3章，通过实例介绍机器学习算法概念和描述算法的数学工具； 第二部分包含第4～7章，讨论确定性学习机的渐近行为； 第三部分包含第8～12章，讨论随机推理机和随机学习机的渐近行为； 第四部分包含第13～16章，关注机器学习算法的泛化性能表征问题。

译者序
前言
第一部分 推理机与学习机
第1章 统计机器学习框架
1.1 统计机器学习：概述
1.2 机器学习环境
1.2.1 特征向量
1.2.2 平稳统计环境
1.2.3 机器学习算法的训练策略
1.2.4 先验知识
1.3 经验风险最小化框架
1.3.1 ANN图形符号
1.3.2 风险函数
1.3.3 正则化项
1.3.4 优化方法
1.4 基于理论的系统分析和设计
1.4.1 第一阶段：系统规范
1.4.2 第二阶段：理论分析
1.4.3 第三阶段：具体实施
1.4.4 第四阶段：系统行为评估
1.5 监督学习机
1.5.1 差异函数
1.5.2 基函数与隐单元
1.5.3 循环神经网络
1.6 无监督学习机
1.7 强化学习机
1.7.1 强化学习概述
1.7.2 值函数被动式强化学习
1.7.3 策略梯度反应式强化学习
1.8 扩展阅读
第2章 概念建模的集合论
2.1 集合论与逻辑学
2.2 关系
2.2.1 关系类型
2.2.2 有向图
2.2.3 无向图
2.3 函数
2.4 度量空间
2.5 扩展阅读
第3章 形式化机器学习算法
3.1 环境模型
3.1.1 时间环境
3.1.2 事件环境
3.2 学习机模型
3.2.1 动态系统
3.2.2 迭代映射
3.2.3 向量场
3.3 智能机模型
3.4 扩展阅读
第二部分 确定性学习机
第4章 机器学习的线性代数
第5章 机器学习的矩阵微积分
第6章 时不变动态系统收敛性
第7章 批量学习算法收敛性
第三部分 随机学习机
第8章 随机向量与随机函数
第9章 随机序列
第10章 数据生成概率模型
第11章 蒙特卡罗马尔可夫链算法收敛性
第12章 适应性学习算法的收敛性
第四部分 泛化性能
第13章 统计学习目标函数设计
第14章 泛化评估模拟方法
第15章 评估泛化的解析公式
第16章 模型选择与评估
参考文献