Maskinlæring (ML) har blitt en vanlig del av hverdagen vår og et standardverktøy innen mange vitenskaps- og ingeniørfelt. For å kunne utnytte ML på best mulig måte er det avgjørende å forstå prinsippene som ligger til grunn for teknologien. Denne boken presenterer ML som den beregningsmessige implementeringen av vitenskapelige prinsipper. Dette prinsippet innebærer kontinuerlig tilpasning av en modell for et gitt datagenererende fenomen, der man minimerer en form for tap som oppstår fra forutsigelsene. Boken trener leserne i å nedbryte ulike ML-applikasjoner og metoder i termer av data, modell og tap, og gjør dermed valget mellom et bredt spekter av forhåndsdefinerte ML-metoder enklere. Den trekomponentiske tilnærmingen til ML gir en enhetlig dekning av et bredt spekter av konsepter og teknikker. Eksempler på dette er teknikker for regularisering, personvernbevaring og forklarbarhet, som utgjør spesifikke designvalg for modellen, dataene og tapet i en ML-metode.
