머리말 = ⅴ
역자 서문 = ⅸ 
1장 패턴 인식의 기초 
  1.1. 패턴 인식이란 = 1
  1.2. 결정론적 패턴 인식과 통계적 패턴 인식 = 6
  1.3. 통계적 패턴 인식의 수식화 = 7
2장 준비 
  2.1. 확률ㆍ통계의 기초 = 11
  2.2. Octave의 사용 방법 = 17
    2.2.1 설치하기 = 17
    2.2.2 Octave의 시작 = 18
    2.2.3 벡터, 행렬의 연산 = 19
    2.2.4 수치 연산 함수 = 21
    2.2.5 그래프 함수 = 24
    2.2.6 Octave 프로그래밍 = 24
3장 판별 함수의 평가 기준 
  3.1. 학습 표본을 이용한 판별 함수의 학습 = 29
  3.2. 최대 사후 확률 법칙 = 32
  3.3. 최소 오판별률 법칙 = 33
  3.4. 베이즈 결정 규칙 = 35
  3.5. 생성 모델 기반 패턴 인식 = 38
4장 최대 우도 추정법 
  4.1. 최대 우도 추정법의 정의 = 41
  4.2. 가우시안 모델 = 44
  4.3. 카테고리의 사후 확률 계산 = 48
  4.4. 선형 판별 분석 = 51
5장 최대 우도 추정법의 이론적 성질 
  5.1. 준비 = 57
  5.2. 일치성 = 59
  5.3. 점근 불편성 = 63
  5.4. 점근 유효성 = 64
  5.5. 점근 정규성 = 67
6장 선형 판별 분석을 사용한 필기 인식 
  6.1. 숫자 필기 데이터를 로드하여 표시하기 = 73
  6.2. 선형 판별 분석의 구현 = 75
  6.3. 2개 이상 분류 항목 문자 인식 결과 평가 = 78
7장 최대 우도 추정법의 모델 선택 
  7.1. 모델 선택이란? = 81
  7.2. 확률 밀도 함수의 근접성 측정 기준 = 83
  7.3. 아카이케의 정보량 기준 = 85
  7.4. 다케우치의 정보량 기준 = 90
8장 가우스 혼합 모델의 최대 우도 추정 
  8.1. 가우스 혼합 모델 = 95
  8.2. 경사법 = 100
  8.3. EM 알고리즘 = 102
9장 베이즈 추론법 
  9.1. 베이즈 추론법의 정의 = 109
  9.2. 베이즈 추론법과 최대 우도 추정법의 차이 = 111
  9.3. 최대 사후 확률 추정법 = 113
  9.4. 켤레 사전 분포 = 117
10장 베이즈 추론법 
  10.1. 몬테카를로 적분 = 123
  10.2. 중요 샘플링 = 126
  10.3. 컴퓨터로 유사 난수 만들기 = 127
    10.3.1 역변환 샘플링 = 128
    10.3.2 기각 표본 샘플링 = 130
    10.3.3 마르코프 체인 몬테카를로 방법 = 133
11장 베이즈 추론법의 모델 선택론 
  11.1. 사전 확률의 설정과 모델 선택 = 137
  11.2. 주변 우도의 라플라스 근사 = 139
  11.3. 베이즈 정보량 기준 = 145
  11.4. 변분 베이지안 방법 = 147
12장 커널 밀도 추정법 
  12.1. 히스토그램 방법 = 151
  12.2. 논파라메트릭 방법의 기본 개념 = 153
  12.3. 파젠 윈도우 방법과 커널 밀도 추정법 = 158
  12.4. 우도 교차 검증법 = 162
13장 근접 이웃 밀도 추정법 
  13.1. 근접 이웃 밀도 추정법 = 167
  13.2. 최근접 밀도 추정을 이용한 패턴 인식 = 169
  13.3. k-근접 이웃 분류기 = 171
맺음말 = 179
참고문헌 = 181
찾아보기 = 187