مخاطبان این کتاب دانشجویان پایتون و علاقه‌مندان علم داده می‌باشند که به زبان پایتون آشنا بوده و همچنین با کتابخانه‌های مورد نیاز آنالیز داده و یادگیری ماشین در پایتون مانند Pandas ، Numpy ، Matplotlib ، Sklearn آشنایی حداقلی را داشته باشند و در این مرحله لازم است فضاهای خالی علمی میان این ابزارها تا نقطه انجام یک پروژه واقعی را پر کنند همان بخش‌هایی که در هیچ کلاس استاندارد علم داده به آنها پرداخته نخواهد شد.

این کتاب تمام مفاهیم مهم و کاربردی علم آمار برای علم داده همراه با نحوه پیاده‌سازی آنها در زبان پایتون را به شما عرضه می‌دارد و شما را قادر می‌سازد درکی درست از مفاهیم و اصطلاحات علم آمار برای علم داده به‌دست آورید.
همچنین نگاهی کاربردی به انواع الگوریتم‌های یادگیری ماشین دارد و آنها را از بُعد حل مسئله مورد بررسی و طبقه‌‎بندی قرار می‌دهد.

این کتاب برعکس اکثر کتاب‌های این حوزه که چند سکویی می‌باشند و هر قسمت از یک مسئله را با یک نرم افزار یا زبانی خاص بیان می‌کنند، تک سکویی بوده و فقط از پایتون برای پیاده‌سازی تمامی این مفاهیم استفاده می‌نماید که البته این را بزرگترین نقطه قوت این کتاب می‌دانم. در نهایت این کتاب را باید به عنوان یک مرجع نگاه کرد نه صرفا یک کتاب آموزشی و اکیدا توصیه می‌شود اگر به این علوم علاقه‌مند هستید، آن را کنار دست خود داشته باشید.

فصل اول - تجزیه و تحلیل داده ها / 7

فصل دوم - داده ها و توزیع های نمونه گیری / 56

فصل سوم - آزمایش های آماری و آزمون فرض آماری / 109

فصل چهارم - رگرسیون و پیش بینی / 147

فصل پنجم - طبقه بندی و پیش بینی / 170

فصل ششم - الگوریتم های خوشه بندی / 200

فصل هفتم - مدل های کاهش بعد / 225

فصل هشتم - مدل های بسته بندی / 240