本书分为基础篇、模型篇和方法篇三大部分。基础篇回顾了概率论和统计学的基础知识, 并简要介绍了统计学习的理论框架。模型篇则详细阐述了包括线性回归、线性分类、朴素Bayes分类器、决策树、聚类、降维、隐变量模型和时间序列/隐Markov模型等在内的多种统计学习模型。方法篇则聚焦于核方法、局部化方法、神经网络和集成方法等统计学习中的关键技术。在介绍经典模型和方法的同时, 也提及重要的科技前沿。