Denne boken tar sikte på å utforske de grunnleggende ideene som ligger til grunn for den statistiske teorien om læring og generalisering. Forfatteren vurderer læring som et generelt problem med funksjonsestimering basert på empiriske data. Uten å inkludere beviser og tekniske detaljer fokuserer boken på å presentere de viktigste resultatene fra læringsteori og deres sammenheng med fundamentale problemer innen statistikk. Boken dekker blant annet oppsettet av læringsproblemer basert på modellen for å minimere risiko fra empiriske data. Den gir en omfattende analyse av prinsippet for empirisk risikominimering, inkludert nødvendige og tilstrekkelige betingelser for dets konsistens, samt ikke-asymptotiske grenser for risiko oppnådd ved bruk av dette prinsippet. Forfatteren presenterer også prinsipper for å kontrollere generaliseringsevnen til læringsmaskiner ved hjelp av små utvalgsstørrelser basert på disse grensene. Videre diskuteres Support Vector-metodene som kontrollerer generaliseringsevnen når man estimerer funksjoner med små datasett. Boken er en verdifull ressurs for både studenter og fagfolk som ønsker å dykke dypere inn i teorien bak statistisk læring.
