《统计学习要素：机器学习中的数据挖掘、推断与预测(第2版)》在一个通用的概念框架中描述通用于数据挖掘、机器学习和生物信息学等领域的重要思想和概念。这些统计学范畴下的概念是人工智能与机器学习的基础。全书共18章，主题包括监督学习、回归的线性方法、分类的线性方法、基展开和正则化、核光滑方法、模型评估和选择、模型推断和平均、加性模型、树和相关方法、Boosting和加性树、神经网络、支持向量机和柔性判断、原型方法和最近邻、非监督学习、随机森林、集成学习、无向图模型和高维问题等。《统计学习要素：机器学习中的数据挖掘、推断与预测(第2版)》主题全面，是一本经典的统计学习教材，适合本科高年级学生和研究生使用和参考。

第1章概述
第2章监督学习综述
第3章回归的线性方法
第4章分类的线性方法
第5章基展开与正则化方法
第6章核平滑方法
第7章模型的评估和选择
第8章模型的推断和平均
第9章加性模型、树和相关方法
第10章Boosting和加性树
第11章神经网络
第12章支持向量机与柔性判别分析
第13章原型方法与最近邻
第14章非监督学习
第15章随机森林
第16章集成学习
第17章无向图模型
第18章高维问题：p>>N