本書從統(tǒng)計學觀點出發(fā)，以數(shù)理統(tǒng)計為基礎，全面系統(tǒng)地介紹了統(tǒng)計機器學習的主要方法。內(nèi)容涉及回歸（線性回歸、多項式回歸、非線性回歸、嶺回歸，以及LASSO等）、分類（感知機、邏輯回歸、樸素貝葉斯、決策樹、支持向量機、人工神經(jīng)網(wǎng)絡等）、聚類（K均值、EM算法、密度聚類等）、蒙特卡洛采樣（拒絕采樣、自適應拒絕采樣、重要性采樣、吉布斯采樣和馬爾科夫鏈蒙特卡洛等）、降維與流形學習（SVD、PCA和MDS等），以及概率圖模型基礎等話題。此外，為方便讀者自學，本書還扼要地介紹了機器學習中所必備的數(shù)學知識（包括概率論與數(shù)理統(tǒng)計、凸優(yōu)化及泛函分析基礎等）。
本書是統(tǒng)計機器學習及相關課程的教學參考書，適用于高等院校人工智能、機器學習或數(shù)據(jù)挖掘等相關專業(yè)的師生研習之用，也可供從事計算機應用，特別是數(shù)據(jù)科學相關專業(yè)的研發(fā)人員參考。