《机器学习方法》比较全面系统地介绍了机器学习的方法和技术，不仅详细阐述了许多经典的学习方法，还讨论了一些有生命力的新理论、新方法。全书共分为13章，分别介绍了机器学习的基本概念、最近邻规则、贝叶斯学习、决策树、基于事例推理的学习、关联规则学习、神经网络、支持向量机、遗传算法、集成学习、纠错输出编码、聚类分析、强化学习。各章对原理的叙述力求概念清晰、表达准确，突出理论联系实际，富有启发性，易于理解。
《机器学习方法》可作为高等院校计算机、自动化、电子和通信等专业研究生和高年级本科生的教材和参考书。《机器学习方法》内容对从事人工智能、机器学习、数据挖掘、模式识别等相关领域研究的科技人员具有较好的参考价值。

第1章 绪论 1.1 机器学习概念 1.2 机器学习系统 1.2.1 学习系统模型 1.2.2 机器学习系统结构 1.3 机器学习方法分类 1.3.1 监督学习 1.3.2 非监督学习 1.3.3 强化学习 1.4 一般性定理与规则 1.4.1 大多数原则 1.4.2 奥卡姆剃刀原理 1.4.3 无免费午餐定理 1.5 学习算法的评价 1.5.1 最短描述长度 1.5.2 预测精度分析 1.5.3 交叉验证法 1.6 本书各章概要第2章 最近邻规则第3章 贝叶斯学习第4章 决策树第5章 基于事例推理的学习第6章 关联规则学习第7章 神经网络第8章 支持向量机第9章 遗传算法第10章 集成学习第11章 基于纠错编码的机器学习第12章 聚类分析第13章 强化学习附录A 数据集描述参考文献