本书全面、 系统地介绍了机器学习领域中的经典方法, 并兼顾算法原理与实践运用。 具体内容涉及：
 回归分析（线性回归、 多项式回归、 非线性回归、 岭回归、LASSO、 弹性网络, 以及 RANSAC 等）
 分类（感知机、逻辑回归、 朴素贝叶斯、 决策树、 支持向量机、 神经网络等）
 聚类（k均值、EM 算法、 密度聚类、 层次聚类以及谱聚类等）
 集成学习（随机森林、AdaBoost、 梯度提升等）
 蒙特卡洛采样（拒绝采样、 自适应拒绝采样、 重要性采样、 吉布斯采样和马尔可夫链蒙特卡洛等）
 降维与流形学习（SVD、PCA 和 MDS 等）
 概率图模型（贝叶斯网络和隐马尔可夫模型）