1장 소개
1.1 왜 패턴 인식인가?
1.2 어떻게 인식하나?
1.3 시스템 설계
1.4 수학
1.5 자원

2장 베이시언 결정 이론
2.1 확률과 통계
2.2 베이시언 분류기
2.3 분별 함수
2.4 정규 분포에서 베이시언 분류기
2.5 베이시언 분류의 특성
2.6 기각 처리

3장 확률 분포 추정
3.1 히스토그램 추정
3.2 최대 우도
3.3 비모수적 방법
3.4 혼합 모델

4장 신경망
4.1 소개
4.2 퍼셉트론
4.3 다층 퍼셉트론

5장 SVM
5.1 발상
5.2 선형 SVM
5.3 비선형 SVM
5.4 구현
5.5 SVM의 특성

6장 질적 분류
6.1 결정 트리
6.2 CART, ID3, 그리고 C4.5
6.3 스트링 인식기

7장 순차 데이터의 인식
7.1 순차 데이터
7.2 마코프 모델
7.3 은닉 마코프 모델로의 발전
7.4 알고리즘
7.5 부연 설명

8장 특징 추출
8.1 특징 생성의 틀
8.2 영역에서 특징 추출
8.3 변환을 이용한 특징
8.4 시계열 신호에서의 특징 추출
8.5 주성분 분석
8.6 Fisher의 선형 분별
8.7 실용적 관점

9장 특징 선택
9.1 특징의 분별력
9.2 특징 선택 문제의 이해
9.3 전역 탐색 알고리즘
9.4 순차 탐색 알고리즘
9.5 통계적 탐색 연산을 가진 알고리즘

10장 군집화
10.1 정의
10.2 거리와 유사도
10.3 군집화 알고리즘의 분류
10.4 계층 군집화
10.5 분할 군집화
10.5.1 순차 알고리즘
10.6 신경망
10.7 통계적 탐색

11장 최적화 알고리즘
11.1 패턴 인식의 최적화 문제와 풀이
11.2 미분을 이용한 방법
11.3 시뮬레이티드 어닐링
11.4 유전 알고리즘
11.5 메타 휴리스틱

12장 혼성 모델
12.1 알고리즘의 성능 특성
12.2 재 샘플링에 의한 성능 평가
12.3 혼성 모델의 발상
12.4 앙상블 생성
12.5 앙상블 결합
12.6 앙상블 선택
12.7 알고리즘을 바라보는 관점

부록A 정보 이론

부록B 인터넷 자원
B.1 일반
B.2 포털
B.3 강의 자료
B.4 소프트웨어
B.5 데이터베이스