Chapter 01 소개
1.1 왜 패턴인식인가?
1.2 어떻게 인식하나?
1.3 시스템 설계
1.4 수학
1.5 자원

Chapter 02 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

Chapter 03 확률 분포 추정
3.1 히스토그램 추정
3.2 최대 우도
3.3 비모수적 방법
3.4 혼합 모델

Chapter 04 신경망
4.1 소개
4.2 퍼셉트론
4.3 다층 퍼셉트론

Chapter 05 SVM
5.1 발상
5.2 선형 SVM
5.3 비선형 SVM
5.4 구현
5.5 SVM의 특성

Chapter 06 질적 분류
6.1 결정 트리
6.2 CART, ID3, 그리고 C4.5
6.3 스트링 인식기

Chapter 07 순차 데이터의 인식
7.1 순차 데이터
7.2 마르코프 모델
7.3 은닉 마르코프 모델로의 발전
7.4 알고리즘
7.5 부연 설명

Chapter 08 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 피셔의 선형 분별
8.7 실용적 관점

Chapter 09 특징 선택
9.1 특징의 분별력
9.2 특징 선택 문제의 이해
9.3 전역 탐색 알고리즘
9.4 순차 탐색 알고리즘
9.5 스톡캐스틱 탐색 연산을 가진 알고리즘

Chapter 10 군집화
10.1 정의
10.2 거리와 유사도
10.3 군집화 알고리즘의 분류
10.4 계층 군집화
10.5 분할 군집화
10.6 신경망
10.7 스토캐스틱 탐색

Chapter 11 최적화 알고리즘
11.1 패턴인식의 최적화 문제와 풀이
11.2 미분을 이용한 방법
11.3 시뮬레이티드 어닐링
11.4 유전 알고리즘
11.5 메타 휴리스틱

Chapter 12 혼성 모델
12.1 알고리즘의 성능 특성
12.2 재샘플링에 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 정보이론