Efter en inledande översikt av sannolikhetsbaserade modeller för multivariat data och principerna för Bayesiansk inlärning, till skillnad mot punktskattning av modelparametrar, utvecklas dessa modeller och metoder vidare för diverse tillämpningar inom regression och klassificering. Följande ämnen täcks i huvudsak:
- Generaliserade linjära modeller för regression och klassificering
- Neurala nätverk
- Kernel-metoder, speciellt glesa metoder såsom Relevance vector machine (RVM) och Support vector machine (SVM)
- Grafiska modeller, inklusive Bayesianska nätverk och markovkedjor
- Mixade-modeller och Expectation-Maximization
- Approximativa inferensmetoder, till exempel, variationsinferens baserad på approximation genom faktorisering
- Monte-Carlo-simuleringsmetoder
- Sannolikhetsbaserad principalkomponentanalys (PCA)
- Modeller för sekventiell data, speciellt gömda markovmodeller
