Dieses Buch präsentiert die grundlegenden Ideen des maschinellen Lernens auf eine leicht verständliche Weise, indem es praktische Ratschläge bietet, einfache Beispiele verwendet und die Studierenden durch Diskussionen über interessante Anwendungen motiviert. Die Hauptthemen umfassen Bayessche Klassifikatoren, nächstgelegene Nachbarn-Klassifikatoren, lineare und polynomiale Klassifikatoren, Entscheidungsbäume, neuronale Netze und Support-Vektor-Maschinen. In späteren Kapiteln wird gezeigt, wie man diese einfachen Werkzeuge durch Boosting kombiniert, wie man sie in komplizierteren Bereichen nutzt und wie man mit verschiedenen fortgeschrittenen praktischen Problemen umgeht. Ein Kapitel ist den beliebten genetischen Algorithmen gewidmet.