全书共分9章。第1章介绍机器学习的发展状况并概述机器学习在金融中的应用。第2章介绍监督学习的通用框架。第3章描述最简单的线性回归模型--普通最小二乘法以及正则化方法-龄回归和套索回归, 并讨论线性模型及非线性的回归和分类方法。第4章讨论监督学习中的树模型, 包括决策树、随机森林和梯度提升树。第5章重点介绍三种主要的神经网络: 人工神经网络、卷积神经网络和循环神经网络。第6章和第7章介绍无监督学习, 主要包括聚类分析和主成分分析。第8章重点介绍强化学习在投资组合优化中的应用。第9章以一个流行的数据挑战项目为例, 使用前几章介绍的机器学习方法预测金融违约风险, 为读者提供解决实际数据问题的经验。