1．导论 2．Bayes决策理论 3．概率密度估计 4．线性判别函数 5．神经网络 6．统计学习理论

4.0 引言 4.1 Fisher线性判别 4.2 最小平方误差准则 4.3 最小错分样本数准则 4.4 线性支持向量机（SVM）

10.0 引言 10.1 特征提取 10.2 特征选择

11.1 引言 11.2 单峰子集的分离方法 11.3 类别分离的间接方法 11.4 分级聚类方法 11.5 其他聚类方法简介 11.6 聚类中的问题

6.0 引言 6.1 一致性与一致收敛 6.2 Vapnik-Chervonenkis (VC)理论 6.3 结构风险最小化(Structural RiskMinimization)

8.0 引言 8.1 正则化理论(Regularization Theory) 8.2 Reproducing Kernel Hilbert Space(RKHS) 8.3 正则化网络(Regularization Networks)

5.0 引言 5.1 感知机 5.2 多层感知机 5.3 反向传播算法 5.4 径向基函数网络 5.5 说明

2.0 引言 2.1 基于最小错误率的Bayes决策 2.2 基于最小风险的Bayes决策 2.3 正态分布的最小错误率Bayes决策 2.4 说明

9.0 引言 9.1 分类器组合I 9.2 分类器组合II

3.0 引言 3.1 参数估计 3.2 非参数估计 3.3 说明