Mønsteranerkjennelse er et av de mest betydningsfulle utfordringene for forskere og ingeniører, og det har blitt foreslått mange forskjellige tilnærminger for å håndtere dette. Denne boken har som mål å gi en selvstendig og grundig fremstilling av probabilistisk analyse av ulike metoder innen mønsteranerkjennelse. Den inneholder en omfattende diskusjon om avstandsmål, ikke-parametriske metoder som baserer seg på kjerner eller nærmeste naboer, samt teoretiske rammeverk som Vapnik-Chervonenkis-teorien og epsilon-entropi. Videre går den inn på parametrisk klassifisering, feilstimering, frie klassifikatorer og nevrale nettverk. Der det er mulig, avledes distribusjonsfrie egenskaper og ulikheter. En betydelig del av resultatene eller analysene som presenteres i boken er ny. I tillegg følger det med over 430 oppgaver og øvelser som supplerer innholdet.
