本书原作者是美国普林斯顿大学电气工程系和哲学系的两位教授，本书是在普林斯顿大学“电气工程及原理”课程中关于“学习理论和认知论”的入门性课程基础上形成的。 全书共包含18个章节，从概率密度、贝叶斯决策理论引入样本学习的基本概念，进而介绍了近邻域学习、核学习及神经网络学习，在此基础上探讨了PCA学习、VC维概念、函数估计问题等，后重点介绍了非常实用的支持向量机（SVM）及Boosting方法。各章均包含小结、附录、习题及参考资料，非常适合于大专院校计算机及电气工程类硕博士研究生及高年级学生作为教学参考书。【推荐简言】 本书以通俗易懂的方式提供了统计学习理论与机器学习及模式识别的基本概念及常用算法，为新兴领域的统计学习理论提供了一个宽泛和易于理解的入门性介绍。这一领域的发展源于对模式识别和机器学习、非参数统计、计算机科学、语言学中的语言学习和认知心理学、哲学问题中的归纳法以及哲学和科学方法论等学科与技术的研究。 本书是“学习理论与认知论”课程的非常好的入门教材，目前已在普林斯顿大学电气工程专业的教学中使用。“学习理论与认知论”课程并没有特定的基础要求，向所有对其感兴趣的学生开放，包括新生、主修科学的高年级学生，以及来自工程、人文、社会科学的学生。虽然许多材料技术性较强，但是我们发现大部分学生可以体会和领悟本书的要点。