本书主要介绍由一组核心定理支撑的统计机器学习框架，书中通过相关机器学习案例帮助学生理解框架中的核心定理。对于实践型的专业工程师和科学家来说，本书可以帮助他们验证确保许多常用的确定性和随机机器学习优化算法收敛的充分条件，以及正确使用常用的统计工具来表征抽样误差和泛化性能。此外，由于本书包含大量示例，机器学习课程的教师以及从事机器学习应用的研究人员也会发现本书非常有用。本书的读者需要具备统计学、计算机科学、电子工程或应用数学方面的基本知识。全书共分为四部分： 第一部分包含第1~3章，通过实例介绍机器学习算法概念和描述算法的数学工具； 第二部分包含第4~7章，讨论确定性学习机的渐近行为； 第三部分包含第8~12章，讨论随机推理机和随机学习机的渐近行为； 第四部分包含第13~16章，关注机器学习算法的泛化性能表征问题。