Boken 'Algorithmic Learning in a Random World' utforsker konformale prediksjoner, en metode for prediksjon som ble utviklet innen maskinlæring på slutten av 1990-tallet. Hovedtrekket ved konformale prediksjoner er deres systematiske tilnærming til vurdering av påliteligheten av prediksjoner. De nevnte prediksjonsalgoritmene — konformale prediktorer — er bevist gyldige, noe som betyr at de vurderer påliteligheten av sine egne prediksjoner på en måte som verken er for pessimistisk eller for optimistisk, noe som kan være spesielt skadelig. Tilnærmingen er samtidig flexibel nok til å inkorporere de fleste eksisterende og kraftige metodene innen maskinlæring. Boken dekker både viktige konformale prediktorer og den matematiske analysen av deres egenskaper. 'Algorithmic Learning in a Random World' inneholder, i tillegg til bevis for gyldighet, resultater knyttet til effektiviteten til de konformale prediktorene. Den eneste antakelsen som kreves for gyldighet, er 'tilfeldighet' — at prediksjonsalgoritmen presenteres for uavhengige og identisk fordelte eksempler.
