I dag brukes maskinlæring i et stadig økende antall problemer innen et forvirrende mangfold av domener. En grunnleggende utfordring ved bruk av maskinlæring er å knytte den abstrakte matematikken i en maskinlæringsmetode til et konkret, virkelighetsnært problem. Denne boken tar for seg denne utfordringen gjennom modellbasert maskinlæring, som fokuserer på å forstå antagelsene som ligger til grunn for et maskinlæringssystem og hvordan disse påvirker systemets atferd. Bokens hovedideer om modellbasert maskinlæring introduseres gjennom en rekke casestudier som involverer virkelige applikasjoner. Casestudiene spiller en sentral rolle, ettersom det kun er i forbindelse med anvendelser at det gir mening å diskutere modellantagelser. Hver kapittel presenterer en casestudie og arbeider seg trinn for trinn gjennom løsningen av den ved hjelp av en modellbasert tilnærming. Målet er ikke bare å forklare maskinlæringsmetoder, men også å vise hvordan man kan utvikle, feilsøke og videreutvikle disse for å løse reelle problemer.
