本書介紹機器學習方法的原理及方法，同時引入了學習的計算復雜性、凸性和穩定性、PAC貝葉斯方法、壓縮界等概念，以及隨機梯度下降、神經元網絡和結構化輸出等方法。作者既講述最重要的機器學習算法的工作原理和動機，還指出其固有的優勢和缺點，是有興趣了解機器學習理論和方法以及應用的學生和專業人員的良好教材或參考書。沙伊·沙萊夫—施瓦茨（Shai Shalev—Shwartz），以色列希伯來大學計算機及工程學院副教授，還在Mobileye公司研究自動駕駛。2009年之前他在芝加哥的豐田技術研究所工作。他的研究方向是機器學習算法。沙伊·本—戴維（Shai Ben—David），加拿大滑鐵盧大學計算機科學學院教授。先后在以色列理工學院、澳大利亞國立大學和康奈爾大學任教。

出版者的話譯者序前言致謝第1章 引論 1.1 什麼是學習 1.2 什麼時候需要機器學習 1.3 學習的種類 1.4 與其他領域的關系 1.5 如何閱讀本書 1.6 符號第一部分 理論基礎第2章 簡易入門 2.1 一般模型——統計學習理論框架 2.2 經驗風險最小化 2.3 考慮歸納偏置的經驗風險最小化 2.4 練習第3章 一般學習模型 3.1 PAC學習理論 3.2 更常見的學習模型 3.2.1 放寬可實現假設——不可知PAC學習 3.2.2 學習問題建模 3.3 小結 3.4 文獻評注 3.5 練習第4章 學習過程的一致收斂性 4.1 一致收斂是可學習的充分條件 4.2 有限類是不可知PAC可學習的 4.3 小結 4.4 文獻評注 4.5 練習第5章 偏差與復雜性權衡 5.1 「沒有免費的午餐」定理 5.2 誤差分解 5.3 小結 5.4 文獻評注 5.5 練習第6章 VC維 6.1 無限的類也可學習 6.2 VC維概述 6.3 實例 6.3.1 閾值函數 6.3.2 區間 6.3.3 平行於軸的矩形 6.3.4 有限類 6.3.5 VC維與參數個數 6.4 PAC學習的基本定理 6.5 定理6.7的證明 6.5.1 Sauer引理及生長函數 6.5.2 有小的有效規模的類的一致收斂性 6.6 小結 6.7 文獻評注 6.8 練習第7章 不一致可學習 7.1 不一致可學習概述 7.2 結構風險最小化 7.3 最小描述長度和奧卡姆剃刀 7.4 可學習的其他概念——一致收斂性 7.5 探討不同的可學習概念 ……第8章 學習的運行時間第二部分 從理論到算法第9章 線性預測第10章 boosting第11章 模型選擇與驗證第12章 凸學習問題第13章 正則化和穩定性第14章 隨機梯度下降第15章 支持向量機第16章 核方法第17章 多分類、排序與復雜預測問題第18章 決策樹第19章 最近鄰第20章 神經元網絡第三部分 其他學習模型第21章 在線學習第22章 聚類第23章 維度約簡第24章 生成模型第25章 特征選擇與特征生成第四部分 高級理論第26章 拉德馬赫復雜度第27章 覆蓋數第28章 學習理論基本定理的證明第29章 多分類可學習性第30章 壓縮界第31章 PAC-貝葉斯附錄A 技術性引理附錄B 測度集中度附錄C 線性代數參考文獻索引