第1章　モデルが未知の設定のデータからの意思決定の概要
　　1.1　モデルの定義と本書で扱う意思決定
　　1.2　モデルが未知の設定における意思決定の問題点
　　1.3　問題点を克服するための視点
　　1.4　生成観測メカニズムを仮定したモデルの構造推定
　　1.5　モデル未知の設定における予測のための意思決定
　　1.6　パラメータの推定と正則化
　　1.7　クロスバリデーションと同質性を仮定した間接予測のモデルの決定問題
　　1.8　表現能力の高いモデルの構成法
　　1.9　ニューラルネットワーク
　　1.10　最適解と計算量

第2章　複雑な関数による特徴記述
　　2.1　多項式関数による特徴記述
　　2.2　重回帰分析における多項式関数による特徴記述
　　2.3　基底関数に基づく線形回帰式による特徴記述
　　2.4　滑らかな関数による特徴記述
　　2.5　分類問題における複雑な関数による特徴記述

第3章　確率的データ生成観測メカニズム
　　3.1　モデルが既知の設定における線形回帰モデル
　　3.2　モデルが未知の設定における線形回帰モデル
　　3.3　構造推定を目的としたモデル選択
　　3.4　予測を目的としたモデル選択
　　3.5　予測に対するベイズ危険関数を評価基準とした直接予測
　　3.6　構造推定における正則化
　　3.7　モデルの探索アルゴリズム

第4章　同質性を仮定した予測
　　4.1　復習：同質性を仮定した予測
　　4.2　複数の予測関数候補が考えられる場合の問題
　　4.3　クロスバリデーションによる予測関数の選択
　　4.4　正則化

第5章　ニューラルネットワーク
　　5.1　目的変数を表現する非線形な関係式
　　5.2　ニューラルネットワーク
　　5.3　ニューラルネットワークのグラフによる表現
　　5.4　回帰に対するニューラルネットワークの意思決定写像
　　5.5　活性化関数
　　5.6　分類に対するニューラルネットワークの意思決定写像
　　5.7　ディープニューラルネットワーク
　　5.8　同質性を仮定したニューラルネットワークによる予測
　　5.9　データの特徴を利用する方法

付録A　ニューラルネットワークの利用法

付録B　ニューラルネットワークのパラメータの決定
　　B.1　回帰に対する偏微分の導出
　　B.2　分類に対する偏微分の導出

参考文献
データ科学の活用例と本書との対応
索引