统计学习是机器学习的重要分支，本书兼顾了数学上的理论和代码实践，内容主要包括基础知识和统计学习模型。第1章、第2章结合VC维介绍过拟合的本质，并介绍手动特征选择的办法；第3章、第4章从最简单的线性模型出发经过概率统计的解读而得到分类和回归算法；第5章讨论不依赖于假设分布的非参数模型；第6章介绍将核方法作为一种非线性拓展的技巧，介绍如何将该方法应用到很多算法中，并引出了著名的高斯过程；第7章以混合高斯作为软分配聚类的代表性方法，从而引出著名的EM算法；第8章讨论了机器学习的集成算法；第9章介绍的线性和非线性降维方法将会解决维度灾难问题，并且不同于单纯的特征选择；第10章讨论不依赖于独立同分布假设的时间序列算法。本书适合对于统计学习感兴趣的大学生、工程师阅读参考。阅读本书需要具备基础的Python编程技术和基本的数学知识。