本书是《概率机器学习(基础篇)》的进阶篇，扩展了机器学习范围，对基础篇中的各个主题进行了更深入的讨论。本书在第一部分详细介绍了所需的理论基础知识(包括概率论、统计学、图模型、信息论和优化)，在后续的部分分别讨论推理方法(包括高斯滤波和平滑、消息传递算法等)、预测模型(包括广义线性模型、深度神经网络等)、生成模型(包括变分自动编码器、自回归模型等)、潜在变量模型(包括潜在因子模型、状态空间模型等)和可用于在不确定性下做出决策的模型算法(包括决策、强化学习和因果关系等)。