統計學習是機器學習的重要分支，本書兼顧了數學上的理論和代碼實踐，內容主要包括基礎知識和統計學習模型。第1章、第2章結合VC維介紹過擬合的本質，並介紹手動特徵選擇的辦法；第3章、第4章從最簡單的線性模型出發經過概率統計的解讀而得到分類和回歸演算法；第5章討論不依賴於假設分佈的非參數模型；第6章介紹將核方法作為一種非線性拓展的技巧，介紹如何將該方法應用到很多演算法中，並引出了著名的高斯過程；第7章以混合高斯作為軟分配聚類的代表性方法，從而引出著名的EM演算法；第8章討論了機器學習的集成演算法；第9章介紹的線性和非線性降維方法將會解決維度災難問題，並且不同於單純的特徵選擇；第10章討論不依賴於獨立同分佈假設的時間序列演算法。
本書適合對於統計學習感興趣的大學生、工程師閱讀參考。閱讀本書需要具備基礎的Python程式設計技術和基本的數學知識。
