第1章　序論
　　　1.1　はじめに
　　　1.2　パターン識別の流れ
　　　　1.2.1　識別器の構成
　　　1.3　画像認識のための特徴抽出法
　　　　1.3.1　画像の表現とフィルタ
　　　　1.3.2　平滑化と勾配
　　　　1.3.3　局所画像特徴量

第2章　パラメトリック学習とBayes決定則
　　　2.1　確率と正規分布
　　　　2.1.1　確率の基礎
　　　　2.1.2　正規分布
　　　2.2　Bayes決定則
　　　　2.2.1　2クラス識別におけるBayes識別
　　　　2.2.2　損失の一般化
　　　　2.2.3　ナイーブBayes識別
　　　　2.2.4　正規分布を仮定したBayes識別
　　　2.3　正則化と数値計算
　　　　2.3.1　事後確率の計算方法
　　　　2.3.2　Cholesky分解
　　　　2.3.3　数値計算例
　　　　2.3.4　悪条件と正則化
　　　　2.3.5　分散共分散行列の固有値と正則化
　　　　2.3.6　有限標本による固有値の偏り
　　　　2.3.7　数値計算例
　　　2.4　統計的推定
　　　　2.4.1　最ゆう推定
　　　　2.4.2　モデル選択
　　　2.5　パーセプトロンモデル～一次識別器～
　　　　2.5.1　Widrow-Hoff則
　　　　2.5.2　Fisherの線形識別
　　　　2.5.3　サポートベクタマシン（SVM）
　　　2.6　部分空間法～二次識別器～
　　　　2.6.1　主成分分析
　　　　2.6.2　CLAFIC
　　　　2.6.3　カーネル主成分分析

第3章　パーセプトロンモデル～1 次識別器
　　　3.1　パーセプトロンモデル
　　　3.2　Widrow-Hoff 則
　　　3.3　Fisher の線形識別
　　　3.4　サポートベクタマシン（SVM） 傍識別
　　　　3.4.1　線形SVM
　　　　3.4.2　非線形（カーネル）SVM
　　　　3.4.3　ソフトマージン

第4章　部分空間法～2 次識別器
　　　4.1　主成分分析
　　　4.2　CLAFIC
　　　4.3　カーネル主成分分析
　　　　4.3.1　再生核Hilbert 空間での主成分分析
　　　　4.3.2　部分カーネル主成分分析定

第5章　その他の識別器
　　　5.1　k近傍識別
　　　　5.1.1 テンプレートマッチング
　　　　5.1.2 Mahalanobis 距離とFukunaga-Koontz 変換
　　　5.2 Adaboost
　　　　5.2.1 数値計算例
　　　5.3 ハイパーパラメータの推定

第6章　付録–線形代数及び数値計算の解説–
　　　6.1　分散共分散行列の求め方
　　　6.2　Cholesky 分解による対数正規確率密度の計算
　　　6.3　固有値とその性質