本书分为三部分, 第一部分主要介绍集成学习的相关背景, 即关于分类器的相关基础理论; 第二部分主要介绍集成学习方法的核心知识, 诸如多分类器集成的框架、集成规则和性能评估等理论; Boosting、Bagging、Stacking和随机森林 (Random Forests) 等经典算法; 除此之外, 还介绍典型的动态集成方法以及集成聚类算法相关基本概念。第三部分介绍集成学习方法的扩展议题, 给出集成学习在半监督学习、主动学习和类别不平衡学习等领域的应用。