本书在阐述与机器学习的数学和统计学理论的同时, 提供了相关的编程实践和实验。第2版新增了深度信念网络和高斯过程的章节、卡尔曼滤波器和粒子滤波器的附加讨论, 对支持向量机的内容进行修订, 并且对代码进行改进。目录: 前言、预先准备、神经元、神经网络和线性判别、多层感知器、径向基函数和样条、降维、概率学习、支持向量机、优化和搜索、进化学习、强化学习、特征树学习、集成学习、非监督学习、马尔科夫链蒙特卡洛方法、图模型、对称权值和深度置信网络、高斯过程。并列题名：机器学习的算法观点 chi