با توجه به نیاز علاقه‌مندان و فراگیران حوزه‌ی یادگیری ماشین به یک منبع جامع و کاربردی، این کتاب می‌تواند تمامی این نیازها را به‌طور کامل برطرف کند. در بخش نخست کتاب، کلیه‌ی الگوریتم‌های یادگیری ماشین به‌همراه مثال‌های عددی به‌صورت دقیق و قابل‌فهم تشریح شده‌اند. در بخش دوم، ابتدا کتابخانه‌های موردنیاز یادگیری ماشین در زبان برنامه‌نویسی پایتون معرفی و بررسی می‌شوند و سپس الگوریتم‌های مطرح‌شده در بخش اول، با استفاده از پایتون به‌صورت عملی پیاده‌سازی شده‌اند.

فصل 1 - جبر خطی / 13

فصل 2 - آمار احتمالات / 33

فصل 3 - مفاهیم یادگیری ماشین / 53

فصل 4 - انبار داده / 75

فصل 5 - پیش پردازش داده / 91

فصل 6 - انواع داده ها / 107

فصل 7 - گسسته سازی / 118

فصل 8 - طبقه بندی و پیش بینی / 124

فصل 9 - کاهش بعد / 131

فصل 10 - رگرسیون / 165

فصل 11 - درخت تصمیم / 203

فصل 12 - ماشین بردار پشتیبان / 227

فصل 13 - K نزدیک ترین همسایه / 249

فصل 14 - بیزین / 261

فصل 15 - جنگل تصادفی / 277

فصل 16 - یادگیری گروهی / 280

فصل 17 - خوشه بندی / 294

فصل 18 - قوانین انجمنی / 338

فصل 19 - یادگیری تقویتی / 362

فصل 20 - یادگیری نیمه نظارتی / 384

فصل 21 - استقرار مدل های یادگیری ماشینی / 390

فصل 22 - کتابخانه های پایتون / 393 

فصل 23 - بصری سازی داده ها / 399

فصل 24 - کتابخانه Numpy / 445

فصل 25 - کتابخانه پانداس / 465

فصل 26 - کتابخانه Scikity - Learn / 492