本書從概率近似正確（PAC）理論出發探討機器學習的基礎理論與典型算法，包括PAC學習框架、VC-維、支持向量機、核方法、在線學習、多分類、排序、回歸、降維、強化學習等豐富的內容。此外，附錄部分簡要回顧了與機器學習密切相關的概率論、凸優化、矩陣以及範數等必要的預備知識。 本書重在介紹典型算法的理論支撐並指出算法在實際應用中的關鍵點，注重理論細節與證明過程，可作為高等院校機器學習、統計學等課程的教材，或作為相關領域研究人員的參考讀物。
