این کتاب و مرجع برای محققین و دانش آموزان یادگیری ماشین، نظریه بازی ها، آمار و تئوری احتمالات طراحی شده است و به آن‌ها ایده‌ها و راه کارهایی جامعی در مورد ترتیب یا دنباله ی‌های خاص پیش بینی می‌دهد. برخلاف راهکار‌های استاندارد آماری برای پیش بینی یا پیشگویی حالات بخصوص دنباله‌ها یا ترتیب ها، این روش هیچ گونه فرض‌های احتمالی بر روی مکانیزم‌های تولید داده ایجاد نمیکند . با اینحال، این الگوریتم‌های پیش بینی به گونه ای ساختار یافته میشوند که برای تمامی دنباله‌های احتمالی کاربرد دارند، در کنار داشتن بهترین بازدهی در پیشگویی .

Introduction 
 Prediction 
 Learning 
 Games 
 A Gentle Start 
 A Note to the Reader 
 Prediction with Expert Advice 
 Weighted Average Prediction 
 An Optimal Bound 
 Bounds That Hold Uniformly over Time 
 An Improvement for Small Losses 
 Forecasters Using the Gradient of the Loss 
 Scaled Losses and Signed Games 
 The Multilinear Forecaster 
 The Exponential Forecaster for Signed Games
 Simulatable Experts 
 Minimax Regret 
 Discounted Regret 
 Bibliographic Remarks 
 Exercises 
 Tight Bounds for Specific Losses 
 Introduction 
 Follow the Best Expert 
 Exp-concave Loss Functions 
 The Greedy Forecaster 
 The Aggregating Forecaster 
 Mixability for Certain Losses 
 General Lower Bounds 
 Bibliographic Remarks 
 Exercises 
 Randomized Prediction 
 Introduction 
 Weighted Average Forecasters 
 Follow the Perturbed Leader 
 Internal Regret 
 Calibration 
 Generalized Regret 
 Calibration with Checking Rules 
 Bibliographic Remarks 
 Exercises 
 Efficient Forecasters for Large Classes of Experts 
 Introduction 
 Tracking the Best Expert 
 Tree Experts 
 The Shortest Path Problem 
 Tracking the Best of Many Actions 
 Bibliographic Remarks 
 Exercises 
 Prediction with Limited Feedback 
 Introduction 
 Label Efficient Prediction 
 Lower Bounds 
 Partial Monitoring 
 A General Forecaster for Partial Monitoring 
 Hannan Consistency and Partial Monitoring 
 Multi-armed Bandit Problems 
 An Improved Bandit Strategy 
 Lower Bounds for the Bandit Problem 
 How to Select the Best Action 
 Bibliographic Remarks 
 Exercises 
 Prediction and Playing Games 
 Games and Equilibria 
 Minimax Theorems 
 Repeated Two-Player Zero-Sum Games 
 Correlated Equilibrium and Internal Regret 
 Unknown Games: Game-Theoretic Bandits 
 Calibration and Correlated Equilibrium 
 Blackwell’s Approachability Theorem 
 Potential-based Approachability 
 Convergence to Nash Equilibria 
 Convergence in Unknown Games 
 Playing Against Opponents That React 
 Bibliographic Remarks 
 Exercises 
 Absolute Loss 
 Simulatable Experts 
 Optimal Algorithm for Simulatable Experts 
 Static Experts 
 A Simple Example 
 Bounds for Classes of Static Experts 
 Bounds for General Classes 
 Bibliographic Remarks 
 Exercises 
 Logarithmic Loss 
 Sequential Probability Assignment 
 Mixture Forecasters 
 Gambling and Data Compression 
 The Minimax Optimal Forecaster 
 Examples 
 The Laplace Mixture 
 A Refined Mixture Forecaster 
 Lower Bounds for Most Sequences 
 Prediction with Side Information 
 A General Upper Bound 
 Further Examples 
 Bibliographic Remarks 
 Exercises 
 Sequential Investment 
 Portfolio Selection 
 The Minimax Wealth Ratio 
 Prediction and Investment 
 Universal Portfolios 
 The EG Investment Strategy 
 Investment with Side Information 
 Bibliographic Remarks 
 Exercises 
 Linear Pattern Recognition 
 Prediction with Side Information 
 Bregman Divergences 
 Potential-Based Gradient Descent 
 The Transfer Function 
 Forecasters Using Bregman Projections 
 Time-Varying Potentials 
 The Elliptic Potential 
 A Nonlinear Forecaster 
 Lower Bounds 
 Mixture Forecasters 
 Bibliographic Remarks 
 Exercises 
 Linear Classification 
 The Zero–One Loss 
 The Hinge Loss 
 Maximum Margin Classifiers 
 Label Efficient Classifiers 
 Kernel-Based Classifiers 
 Bibliographic Remarks 
 Exercises