Jest to nowoczesny podręcznik zaawansowanych technik analizy danych stosowanych w zagadnieniach klasyfikacji, z głównym naciskiem na metody statystyczne. Książka składa się z dwóch części .W pierwszej z nich przedstawiono systemy uczenia się pod nadzorem, w części drugiej opisanno cztery podstawowe metody uczenia się bez nadzoru . Uwzględniono większość nowych najbardziej obiecujących metod powstałych w ostatnim dziesięcioleciu. Podręcznik jest przeznaczony dla studentów studiów matematycznych, informatycznych i technicznych, na których analiza jest przedmiotem obowiązkowym lub fakultatywnym. Rozdziały: Część I. Statystyczne systemy uczące się pod nadzorem Rozpoznawanie wzorców 1.Probabilistyczne metody klasyfikacyjne 11. Wektory losowe i ich rozkłady prawdopodobieństwa 1.2. Pojęcia wstępne 1.3. Rzeczywisty i aktualny poziom błędu, klasyfikator bayesowski 1.4. Klasyfikatory gaussowskie 1.5. Naiwny klasyfikator bayesowski 1.6. Liniowa funkcja dyskryminacyjna Fishera 1.7. Zmienne dyskryminacyjne 1.8. Klasyfikatory liniowe Andersena Bahadura 1.9. Klasyfikatory liniowe maksymalizujące odległości probabilistyczne 1.10. Estymacja aktualnego poziomu błędu 2. Metody regresyjne 2.1. Regresja liniowa 2.2. Regresja logistyczna 2.3. Związek między regresją logistyczną i liniową analizą dyskryminacyjną 2.4. Estymatory jądrowe gęstości 2.5. R,egresja nieparametryczna 3. Krzywe ROC 4. Metoda wektorów nośnych 4.1. Model liniowy 4.2. Model nieliniowy 4.3. Zagadnienie K klas 4.4. VC wymiar i zasada SRM 4.5. Optymalizacja 5. Metoda najbliższego sąsiada 5.1. Miara niepodobieństwa 5.2. Estymacja funkcji gęstości 5.3. Własności graniczne 5.4. Metody rozwiązywania sytuacji remisowych 5.5. Metody wyboru reprezentatywnego podzbioru obserwacji 5.6. Uwagi praktyczne 6. Drzewa klasyfikacyjne 6.1. Konstrukcja drzewa klasyfikacyjnego 6.2. Kryteria podziału - metoda CART 6.3. Optymalna wielkość drzewa klasyfikacyjnego 6.4. Kryteria podziału - metoda QUEST 6.5. Brakujące wartości cech 7. Sieci neuronowe 7.1. Modele neuronów 7.2. Sieci wielowarstwowe 7.3. Metody uczenia sieci neuronowych 7.4. Sieci rekurencyjne 7.5. Sieci samoorganizujące się z konkurencją (współzawodnictwem) 7.6. Sieci rezonansowe 7.7. Sieci o radialnych funkcjach bazowych 7.8. Probabilistyczne sieci neuronowe 7.9. Uwagi praktyczne| 8. Dekompozycja zagadnień wieloklasowych 8.1. Metoda OPC 8.2. Metoda ECOC 8.3. Metoda PWC 9. Wzmacnianie klasyfikatorów 9.1. Algorytm bagging 9.2. Algorytmy typu boosting 10. Procedury kombinowane 10.1. Metoda selekcji 10.2. Łączenie klasyfikatorów Część II. Statystyczne systemy uczące się bez nadzoru Analiza skupień, redukcja wymiaru 11. Analiza składowych głównych 11.1. Definicja składowych głównych 11.2. Własności składowych głównych 11.3. Metody pomijania składowych głównych 12. Analiza skupień 12.1. Algorytmy hierarchiczne 12.2. Metoda K-średnich 12.3. Inne algorytmy analizy skupień 13. Skalowanie wielowymiarowe 13.1. Klasyczne skalowanie 13.2. Skalowanie metryczne 13.3. Skalowanie porządkowe 14. Analiza korespondencji 14.1. Algorytm analizy korespondencji 14.2. Wieloczynnikowa analiza korespondencji Literatura Polski skorowidz pojęć Angielski skorowidz pojęć