Jest to nowoczesny podręcznik zaawansowanych technik analizy danych stosowanych w zagadnieniach  klasyfikacji, z głównym naciskiem na metody statystyczne.

Książka składa się z  dwóch części .W pierwszej z nich przedstawiono systemy uczenia się pod nadzorem, w części drugiej opisanno cztery podstawowe metody uczenia się bez nadzoru . Uwzględniono większość nowych najbardziej obiecujących metod powstałych w ostatnim dziesięcioleciu.

Podręcznik jest przeznaczony dla studentów studiów matematycznych, informatycznych i technicznych, na których analiza jest przedmiotem obowiązkowym lub fakultatywnym.

Rozdziały:

Część I. Statystyczne systemy uczące się pod nadzorem
Rozpoznawanie wzorców

1.Probabilistyczne metody klasyfikacyjne
11. Wektory losowe i ich rozkłady prawdopodobieństwa
1.2. Pojęcia wstępne
1.3. Rzeczywisty i aktualny poziom błędu, klasyfikator bayesowski
1.4. Klasyfikatory gaussowskie
1.5. Naiwny klasyfikator bayesowski
1.6. Liniowa funkcja dyskryminacyjna Fishera
1.7. Zmienne dyskryminacyjne
1.8. Klasyfikatory liniowe Andersena Bahadura
1.9. Klasyfikatory liniowe maksymalizujące odległości probabilistyczne
1.10. Estymacja aktualnego poziomu błędu

2. Metody regresyjne
2.1. Regresja liniowa
2.2. Regresja logistyczna
2.3. Związek między regresją logistyczną i liniową analizą dyskryminacyjną
2.4. Estymatory jądrowe gęstości
2.5. R,egresja nieparametryczna

3. Krzywe ROC

4. Metoda wektorów nośnych
4.1. Model liniowy
4.2. Model nieliniowy
4.3. Zagadnienie K klas
4.4. VC wymiar i zasada SRM
4.5. Optymalizacja

5. Metoda najbliższego sąsiada
5.1. Miara niepodobieństwa
5.2. Estymacja funkcji gęstości
5.3. Własności graniczne
5.4. Metody rozwiązywania sytuacji remisowych
5.5. Metody wyboru reprezentatywnego podzbioru obserwacji
5.6. Uwagi praktyczne

6. Drzewa klasyfikacyjne
6.1. Konstrukcja drzewa klasyfikacyjnego
6.2. Kryteria podziału - metoda CART
6.3. Optymalna wielkość drzewa klasyfikacyjnego
6.4. Kryteria podziału - metoda QUEST
6.5. Brakujące wartości cech

7. Sieci neuronowe
7.1. Modele neuronów
7.2. Sieci wielowarstwowe
7.3. Metody uczenia sieci neuronowych
7.4. Sieci rekurencyjne
7.5. Sieci samoorganizujące się z konkurencją (współzawodnictwem)
7.6. Sieci rezonansowe
7.7. Sieci o radialnych funkcjach bazowych
7.8. Probabilistyczne sieci neuronowe
7.9. Uwagi praktyczne|

8. Dekompozycja zagadnień wieloklasowych
8.1. Metoda OPC
8.2. Metoda ECOC
8.3. Metoda PWC

9. Wzmacnianie klasyfikatorów
9.1. Algorytm bagging
9.2. Algorytmy typu boosting

10. Procedury kombinowane
10.1. Metoda selekcji
10.2. Łączenie klasyfikatorów

Część II. Statystyczne systemy uczące się bez nadzoru Analiza skupień, redukcja wymiaru

11. Analiza składowych głównych
11.1. Definicja składowych głównych
11.2. Własności składowych głównych
11.3. Metody pomijania składowych głównych

12. Analiza skupień
12.1. Algorytmy hierarchiczne
12.2. Metoda K-średnich
12.3. Inne algorytmy analizy skupień

13. Skalowanie wielowymiarowe
13.1. Klasyczne skalowanie
13.2. Skalowanie metryczne
13.3. Skalowanie porządkowe

14. Analiza korespondencji
14.1. Algorytm analizy korespondencji
14.2. Wieloczynnikowa analiza korespondencji

Literatura
Polski skorowidz pojęć
Angielski skorowidz pojęć