"Learning and Generalisation" ist ein Fachbuch, das eine formale mathematische Theorie präsentiert, die sich mit grundlegenden Fragen des maschinellen Lernens befasst. Es untersucht, wie Maschinen Konzepte aus Beispielen erlernen, wie neuronale Netzwerke nach dem Training Vorhersagen für zuvor unbekannte Eingaben treffen können und wie viel Training erforderlich ist, um eine bestimmte Genauigkeit zu erreichen. Darüber hinaus wird die Identifizierung des dynamischen Verhaltens nichtlinearer Regelungssysteme durch die Beobachtung ihres Eingangs-Ausgangs-Verhaltens über einen begrenzten Zeitraum behandelt. Die zweite Auflage des Buches erweitert die Themen um neue Bereiche wie Support-Vektor-Maschinen und die Anwendung von fat-shattering Dimensionen auf das Lernen von neuronalen Netzwerken. Es bietet auch Lösungen zu einigen der in der ersten Auflage aufgeworfenen offenen Probleme und stellt neue Herausforderungen vor.