این کتاب یک منبع جامع و تخصصی در حوزه یادگیری ماشین است که با تمرکز بر اصول کلیدی، بدون ورود به حواشی غیرضروری، تمامی مفاهیم اساسی، تکنیک‌ها و ابزارهای کاربردی این حوزه را پوشش می‌دهد. از مدل‌های کلاسیک تا روش‌های مدرن، از پیش‌پردازش داده‌ها تا بهینه‌سازی مدل‌ها، همه به شیوه‌ای روان، ساختارمند و همراه با مثال‌های عملی ارائه شده‌اند. اگر به درک عمیق و کاربردی یادگیری ماشین علاقه‌مند هستید، این کتاب می‌تواند هم‌ زمان یک مرجع کامل و یک راهنمای آموزشی گام‌به‌گام باشد.

فصل اول - یادگیری ماشین از تاریخچه تا مفاهیم / 14

فصل دوم - کتابخانه Scikit - Learn / 57

فصل سوم - آماده سازی داده ها در یادگیری ماشین / 79

فصل چهارم - فرآیند نرمال سازی / 103

فصل پنجم - انکودرها Encoders / 127

فصل ششم - ابزارهای کاربردی / 148

فصل هفتم - روش های کاهش ابعاد - 164

فصل هشتم - مدل هایی برای بهینه سازی هایپر پارامترها / 179

فصل نهم - پردازش کمیتی داده ها / 189

فصل دهم - مدل های تخمین مقادیر پیوسته Regression / 210

فصل یازدهم - مدل های طبقه بندی Classification / 266

فصل دوازدهم - مدل های خوشه بندی Clustering / 305

فصل سیزدهم - مدل کاهش ابعاد  Dimensionality Reduction / 327

فصل چهاردهم - یادگیری جمعی Ensemble Learning / 343

فصل پانزدهم - طبقه بندی تصویر با مدل های یادگیری ماشین / 359

فصل شانزدهم - مقدمه ای بر الگوریتم ژنتیک / 373

فصل هفدهم - مدل های مبتنی بر شبکه های عصبی در یادگیری ماشین / 401