در مبحث یادگیری ماشین همواره با این سوال درگیر هستیم که "چگونه" می توان ساختاری برای برنامه های کامپیوتری طراحی کرد که بتوانند با استفاده از آزمایشات متعدد بر تجربیات (مهارت) خود بیفزایند. امروزه کاربرد یاددهی به سیستم ها، در عرصه های گوناگون گسترش یافته است، برای مثال نرم افزارهای کاوش داده ای ایجاد شده که می توانند در برابر حملات و سرقت های اینترنتی مقابله کنند، سیستم های اطلاعاتی ای که می توانند علاقه ی هر فرد به انوع اطلاعات را مشخص کنند و یا حتی خودروهای اتوماتیک که می توانند یاد بگیرند چگونه بدون راننده در خیابان رانندگی کنند! این در حالی است که این علم با سرعت بسیار زیاد در حال پیشرفت و تکامل است.
هدف این نوشته معرفی راه حل ها و الگوریتم های کلیدی تشکیل دهنده ی هسته ی یادگیری ماشین به خواننده است. باید گفت در این راه سعی خواهیم کرد که از دانش های گوناگون نظیر آمار، هوش مصنوعی، فلسفه، تئوری اطلاعات، بیولوژی ، cognitive science ، پیچیدگی محاسباتی و تئوری کنترل در رسیدن به این هدف کمک بگیریم. از نظر ما بهترین راه برای آموختن یادگیری ماشین نزدیک شدن به مطالب از تمامی وجوه و مفاهیم آن است. در گذشته این کار بخاطر نبود اطلاعات اولیه در تمامی جنبه ها در یک جا سخت به نظر می رسید. هداف اولیه ی این کتاب ارائه ی چنین اطلاعاتی در کنار هم است.

فهرست
فصل 1: مقدمه
فصل 2: یادگیری مفهوم و ترتیب کل به جزء
فصل 3: یادگیری درخت تصمیم گیری
فصل 4: شبکه های عصبی مصنوعی
فصل 5: ارزیابی فرضیه ها
فصل 6: یادگیری بیزی
فصل 7: یادگیری محاسباتی
فصل 8: یادگیری مبتنی بر نمونه ها
فصل 9: الگوریتم های ژنتیک
فصل 10: یادگیری دسته قوانین
فصل 11: یادگیری تحلیلی
فصل 12: ترکیب یادگیری تحلیلی و استقرایی
فصل 13: یادگیری تقویتی