هدف از نوشتن این کتاب، ارائه یک متن ساده و مقدماتی در مورد اصول یادگیری ماشین و روش‌هایی است که یادگیری ماشین در عمل برای حل مسائل مرتبط با تجزیه و تحلیل داده‌های پیش­گویانه در حوزه­های مختلف نظیر کسب­وکارها، حوزه­های دانشی و سایر زمینه‌های سازمانی استفاده می­کند.بر این اساس، این کتاب فراتر از موضوعات استانداردی را که در کتاب‌های یادگیری ماشین مورد بحث قرار می­گیرد، پوشش داده است و چرخه حیات یک پروژه تجزیه و تحلیل پیش‌گویی­کننده، آماده‌سازی داده، طراحی ویژگی و استقرار مدل را نیز ارائه نموده است.

این کتاب برای استفاده در دوره ­های آموزشی یادگیری ماشین، داده ­کاوی، تجزیه و تحلیل داده­ ها، یا پودمان­ های هوش مصنوعی در مقاطع کارشناسی و کارشناسی ارشد علوم کامپیوتر، علوم طبیعی و اجتماعی، مهندسی و کسب ­وکار در نظر گرفته شده است. استفاده از مطالعات موردی که کاربرد یادگیری ماشین را در زمینه عملیاتی تجزیه و تحلیل داده­ ها نشان می­ دهد، این کتاب را به منبع مناسبی برای محققانی تبدیل می­کند که به دنبال مقدمه ­ای در این زمینه ­ها هستند. همچنین این ویژگی سبب شده است که این کتاب به منبع آموزشی مناسبی برای دوره ­های آموزشی عملیاتی در حوزه موارد مذکور تبدیل گردد.

این کتاب بر اساس تجربه چندین ساله نویسندگان در آموزش یادگیری ماشین طراحی شده است و رویکرد و مطالب موجود در کتاب در کلاس­­ های درس آزمایش و بررسی شده است.در نوشتن این کتاب، اصول راهنمای زیر برای نگارش مطالب اتخاذ شده است:

1. توضیح صریح و روان مهم‌ترین و محبوب‌ترین الگوریتم‌های یادگیری ماشین به‌جای مرور کامل مباحث یادگیری ماشین. به‌عنوان مدرس، اعتقاد ما بر این است که دادن دانش عمیق از مفاهیم پایه یک رشته به خوانندگان، پایه محکمی را برای آن­ ها فراهم می‌کند که از طریق آن می‌توانند خود مفاهیم عمیق­ تر آن رشته را جستجو و فهم نمایند. این تمرکز دقیق‌­تر بر مفاهیم پایه این امکان را می‌دهد تا زمان بیشتری صرف معرفی، توضیح، ارائه و مفهوم‌سازی الگوریتم‌هایی اساسی در این رشته و کاربردهای آن‌­ها گردد.

2. توضیح غیر فنی اینکه یک الگوریتم می‌خواهد چه‌کاری انجام دهد. قبل از ارائه توضیحات فنی در مورد نحوه انجام آن. ارائه این مقدمه غیر فنی برای هر مبحث به خوانندگان مبنای محکمی می­دهد تا از طریق آن مطالب فنی­تر را بهتر متوجه شوند. تجربه ما با آموزش این مطالب به مخاطبان متنوع از مقطع کارشناسی، کارشناسی ارشد و سایر مخاطبان نشان داده است که این معرفی­ های غیر فنی دانشجویان را قادر می ­سازد تا به‌راحتی موضوع را درک نمایند.

3. ارائه مثال­ ها و نمونه ­های کامل. در این کتاب برای همه مباحث، نمونه­ ها و مثال­ های کاملی ارائه شده است؛ زیرا این کار خواننده را قادر می­سازد تا موضوع را با جزئیات بیشتری درک نماید.

بخش اول: مقدمه‌ای بر یادگیری ماشین و تجزیه و تحلیل داده‌ها/ 13

فصل اول:یادگیری ماشین برای تجزیه و تحلیل داده‌های پیش‌گویانه/. 15

فصل دوم:داده، بینش و تصمیم./ 37

فصل سوم:اکتشاف داده‌ها/ 67

بخش دوم: تجزیه و تحلیل داده‌های پیش‌گویانه /123

فصل چهارم: یادگیری مبتنی بر اطلاعات/ 125

فصل پنجم :یادگیری مبتنی بر شباهت/ 185

فصل ششم: یادگیری مبتنی بر احتمال /243

فصل هفتم: یادگیری مبتنی بر خطا/ 299

فصل هشتم: یادگیری عمیق /361

فصل نهم:ارزیابی/ 495

بخش سوم: فراتر از پیش‌بینی/ 555

فصل دهم:فراتر از پیش‌بینی: یادگیری بدون نظارت /557

فصل یازدهم: فراتر از پیش‌بینی: یادگیری تقويتی/ 595

بخش چهارم: مطالعات موردی و نتیجه‌گیری/ 637

فصل دوازدهم: مورد مطالعاتی: ریزش مشتری/ 639

فصل سیزدهم: مورد مطالعاتی: طبقه‌بندی کهکشان‌ها /657

فصل چهاردهم: هنر یادگیری ماشین برای تجزیه و تحلیل پیشگویی‌کننده داده‌ها /681

بخش پنجم: ضمائم و پیوست‌ها/ 695