本书旨在为有志于机器学习理论学习和研究的读者提供一个入门导引。在预备知识之后，全书各章分别聚焦于：可学性、（假设空间）复杂度、泛化界、稳定性、一致性、收敛率、遗憾界。除介绍基本概念外，还给出若干分析实例，如显示如何将不同理论工具应用于支持向量机这种常见机器学习技术。本书可作为高等院校人工智能、计算机、自动化等相关专业机器学习理论课程的教材，也可供对机器学习理论感兴趣的研究人员阅读参考。

前言
主要符号表
章预备知识
1.1函数的性质
1.2重要不等式
1.3最优化基础
1.4支持向量机
1.5理论的作用
1.6阅读材料
习题
参考文献
第2章可学性
2.1基本概念
2.2PAC学习
2.3分析实例
2.4阅读材料
习题
参考文献
第3章复杂度
3.1数据分布无关
3.2数据分布相关
3.3分析实例
3.4阅读材料
习题
参考文献
第4章泛化界
4.1泛化误差上界
4.2泛化误差下界
4.3分析实例
4.4阅读材料
习题
参考文献
第5章稳定性
5.1基本概念
5.2重要性质
5.3分析实例
5.4阅读材料
习题
参考文献
第6章一致性
6.1基本概念
6.2替代函数
6.3划分机制
6.4分析实例
6.5阅读材料
习题
参考文献
第7章收敛率
7.1基本概念
7.2确定优化
7.3随机优化
7.4分析实例
7.5阅读材料
习题
参考文献
第8章遗憾界
8.1基本概念
8.2完全信息在线学习
8.3赌博机在线学习
8.4分析实例
8.5阅读材料
习题
参考文献
索引