在连贯的统计框架中，本书涵盖了一系列有监督的机器学习方法，包括基础方法（k－NN、决策树、线性和逻辑回归等）和高级方法（深度神经网络、支持向量机、高斯过程、随机森林和提升等），以及常用的无监督方法（生成模型、k－均值聚类、自动编码器、主成分分析和生成对抗网络等）。所有方法都包含详细的解释和伪代码。通过在方法之间建立联系，讨论一般概念（例如损失函数、zuida似然、偏差－方差分解、核和贝叶斯方法），同时介绍常规的实用工具（例如正则化、交叉验证、评估指标和优化方法），本书始终将关注点放在基础知识上。最后两章为解决现实世界中有监督的机器学习问题和现代机器学习的伦理问题提供了实用建议。