ویرایش به‌روز، توسعه‌یافته و معتبر دایره‌المعارف یادگیری ماشین و داده‌کاوی،‌ برای آن دسته از افرادی که خواهان ورود به تمام جنبه‌های رشته وسیع یادگیری ماشین و داده‌کاوی هستند، یک دسترسی آسان به اطلاعات اصلی این رشته فراهم می‌کند.
این کتاب جامع، شامل 800 ورودی است که 150 تای آن به‌روز یا اضافه شده‌اند، مملو از منابع ادبی ارزشمند است و پورتالی از اطلاعات دقیق‌تر در زمینه موضوعات ارائه‌شده،‌ برای خواننده فراهم می‌کند.
موضوعات این کتاب، شامل یادگیری و منطق، داده‌کاوی، کاربردها، متن‌کاوی،‌ یادگیری آماری، یادگیری تقویتی، الگو‌کاوی، گراف‌کاوی، داده‌کاوی رابطه‌ای، محاسبات تکاملی، نظریه اطلاعات،‌ کلونینگ یا شبیه‌سازی رفتار و بسیاری موارد دیگر می‌باشد. موضوعات کتاب توسط یک هیئت مشورتی بین‌المللی برجسته، انتخاب شده‌اند. هر ورودی به‌‌صورت جامع بررسی و کارشناسی شده است و شامل تعریف، کلمات کلیدی،‌ تصویر،‌ کاربردها، کتاب‌شناسی و لینک به آثار مرتبط می‌باشد.
مطالب توضیحی و آموزشی کتاب، آن را به یک منبع کاربردی برای دانشجویان، دانشگاهیان یا متخصصانی که روش‌های یادگیری ماشین و داده‌کاوی را در پروژه‌های خود به کار گرفته‌اند،‌ تبدیل شده است.
تکنیک‌های یادگیری ماشین و داده‌کاوی، کاربردهای بی‌شماری ازجمله در علم داده‌ها دارند و این منبع برای تمام کسانی که به ‌دنبال دسترسی سریع به اطلاعات مهم این مبحث هستند، ضروری است.

حل مسئله، بخشی ضروری در هر رشته علمی است که دو جزء دارد: (1) شناسایی مسئله و فرمول و (2) راه حلی برای مسئله فرموله‌شده. یک جزء می‌تواند مسئله حول استفاده از تکنیک‌های ad hoc خود را حل کند یا تکنیک‌هایی که راه حل‌های کارآمدی برای مسائل مشابه بوجود می‌آورند را دنبال کند. این به درک درستی از تکنیک‌های مختلف طراحی الگوریتم، چگونگی و زمان استفاده از آنها برای فرمول‌بندی راه حل‌ها و زمینه مناسب برای هریک از آنها نیاز دارد. “الگوریتم‌ها؛ تکنیک‌های طراحی و تجزیه‌و‌تحلیل” از مطالعه طراحی الگوریتم با ارائه مفیدترین تکنیک‌ها و نشان دادن آنها با نمونه‌های متعددی که بر تکنیک‌های طراحی در حل مسائل به جای مباحث الگوریتم‌هایی همچون جستجو و مرتب‌سازی تاکید دارد؛ حمایت می‌کند.

اگر شما آماده تفحص در چارچوب نگاشت‌کاهش (MapReduce) جهت پردازش مجموعه داده‌های بزرگ هستید، این کتاب عملی شما را قدم‌به‌قدم از طریق الگوریتم‌ها و ابزارهایی که برای ساخت برنامه‌های کاربردی نگاشت‌کاهش توزیع‌شده با Apache Hadoop یا Apache Spark نیاز دارید همراهی می‌کند. هر فصل دستورالعملی برای حل مسائل محاسباتی عظیم فراهم می‌کند. شما نحوه اجرای راه‌حل نگاشت‌کاهش مناسب توسط کد که می‌توانید در پروژه‌های خود استفاده کنید را خواهید آموخت. دکتر محمود پارسیان الگوریتم‌های اساسی طراحی، تکنیک‌های بهینه‌سازی، داده‌کاوی و راه‌حل‌های یادگیری ماشین برای مسائلی در زمینه بیوانفورماتیک، ژنومیک، آمار و تحلیل شبکه اجتماعی را پوشش می‌دهد. این کتاب شامل یک نمای کلی از MapReduce ،Hadoop و Spark است.

تلاش‌های پژوهشی در دهه‌های اخیر، تمرکز قابل توجهی بر زمینه محاسبات طبیعی داشته‌اند. یک رشته خاص از این تحقیق مربوط به توسعه الگوریتم‌های محاسباتی با استفاده از الهاماتی که از سیستم‌ها و پدیده‌هایی که در جهان طبیعی رخ می‌دهند، می‌باشد. این الگوریتم‌های محاسباتی الهام‌گرفته‌شده ثابت کرده‌اند که در حل مسائل در حوزه‌های گوناگون مانند علم مدیریت، بیوانفورماتیک، امور مالی، بازاریابی، مهندسی، معماری و طراحی موفق بوده‌اند.
این کتاب معرفی جامعی از الگوریتم‌های محاسبات طبیعی ارائه می‌دهد. و برای محققان دانشگاهی و صنعتی و دوره‌های کارشناسی و کارشناسی ارشد محاسبات طبیعی در علوم کامپیوتر، مهندسی و علم مدیریت مناسب می‌باشد.

این کتاب جامع یک شرح روشن و منسجم از مهم‌ترین ابزارها و تکنیک‌های اصلی در الگوریتم‌های پارامتری ارائه می‌دهد و یک راهنمای کامل در این حوزه می‌باشد. بسیاری از پیشرفت‌های اخیر در این زمینه را پوشش می‌دهد، ازجمله کاربردهای جداسازی مهم، شاخه مبنی بر برنامه‌ریزی خطی، روش‌هایی برای به دست آوردن الگوریتم‌های سریع‌تر در تجزیه درخت و غیره. تعدادی از نتایج قدیمی‌تر به روش‌ مدرن و آموزشی بازبینی و شرح داده شده‌اند.
این کتاب یک جعبه ابزار از تکنیک‌های الگوریتم فراهم کرده و هر فصل درمورد یک نمونه الگوریتمی خاص بحث می‌کند. همه نتایج و مفاهیم در یک سطح قابل دسترس برای فارغ‌التحصیلان و دانشجویان مقطع کارشناسی پیشرفته مطرح شده است. هر فصل شامل تمرینات، همراه با بسیاری نکات می‌باشد.

گراف‌ها یکی از مهمترین انواع داده‌های انتزاعی در علوم کامپیوتر هستند و الگوریتم‌هایی که بر روی آنها عمل می‌کنند، برای زندگی مدرن بسیار مهم هستند. گراف‌ها به دلیل سادگی و عمومیت به‌عنوان ابزار قدرتمندی برای مدل‌سازی مسائل پیچیده، نشان داده شده است. الگوریتم‌های گراف یکی از ارکان ریاضیات، اطلاع‌رسانی پژوهش در زمینه‌های متنوعی مانند بهینه‌سازی ترکیبی، نظریه پیچیدگی و توپولوژی، هستند. الگوریتم‌ها در گراف‌ها به روش‌های بسیاری در جهان امروز، از وب رنکینگ تا شبکه‌های متابولیک، از شبکه‌های المان محدود تا نمودارهای مفهومی به کار می‌روند. “الگوریتم‌های گراف به زبان جبر خطی” اولین کتاب برای پوشش الگوریتم‌های گراف، قابل دسترس برای مهندسان و دانشمندان آموزش‌ندیده در زمینه علوم کامپیوتر، اما با یک پیش‌زمینه قوی در جبر خطی می‌باشد.

کتاب R برای رایانش ابری، نگاهی به برخی از کارهای انجام شده توسط تحلیلگران کسب و کار بر روی دسکتاپ (عصر PC) دارد و به کاربر کمک می‌کند به سمت اطلاعات زیادی در R و 4000 بسته آن و همچنین انتقال همان تحلیل با استفاده از ابر، حرکت کند. با استفاده از این اطلاعات، خواننده می‌تواند هر دو گزینه فروشندگان ابر و گاهی اوقات اکوسیستم ابر و همچنین بسته‌های R که می‌تواند به روند تحلیل وظایف با حداقل تلاش، هزینه و حداکثر سود و سفارشی‌سازی کمک کند را انتخاب کند.
استفاده از رابط گرافیکی کاربر (GUI) و آموزش تصویری گام‌به‌گامی که در این کتاب برای کاهش منحنی یادگیری معروف در یادگیری R و برخی از سردرگمی‌ها در رایانش ابری که مانع از استفاده گسترده از آن گردیده؛ تاکید شده است.

کتاب “الگوریتم‌های هوشمند” یک هندبوک از دستورالعمل‌های الگوریتمی در زمینه‌های فراابتکاری، محاسبات الهام‌گرفته بیولوژیکی و هوش محاسباتی را ارائه می‌دهد که در سبکی کامل، سازگار و متمرکز توصیف شده‌اند. این توصیفات استاندارد به‌گونه‌ای طراحی شده‌اند که قابل‌دسترس، قابل استفاده و قابل درک‌ باشند.
ماهیت اصلی اکثر الگوریتم‌های توصیف‌شده در این کتاب از سیستم‌های بیولوژیکی و طبیعی مانند قابلیت‌های تطبیقی تکامل ژنتیکی، سیستم ایمنی اکتسابی و رفتارهای جستجوگری پرندگان، زنبورها، مورچه‌ها و باکتری‌ها؛ الهام‌گرفته‌ است. این کتاب، یک مرجع الگوریتم به‌سبک دایره‌المعارف است که برای دانشمندان پژوهشگر، مهندسان، دانشجویان و آماتورهای علاقه‌مند در نظر گرفته شده است. هر توصیف الگوریتم نیز یک نمونه کد کاربردی در زبان برنامه‌نویسی Ruby را ارائه می‌دهد.

یادگیری ماشین یکی از سریع‌ترین حوزه‌های رشد علم کامپیوتر با کاربردهای گسترده می‌باشد. هدف این کتاب درسی، معرفی یادگیری ماشین و الگوهای الگوریتمی، به‌روشی اصولی می‌باشد.
کتاب “درک یادگیری ماشین” یک شرح نظری گسترده از ایده‌های اساسی درزمینه یادگیری ماشین و مشتقات ریاضی ارائه می‌دهد که این اصول را به الگوریتم‌های کاربردی منتقل می‌کند.
به‌دنبال یک ارائه از اصول این رشته،‌کتاب آرایه‌ گسترده‌ای از موضوعات اصلی را که در کتب درسی گذشته به آن اشاره نشده است؛ پوشش می‌دهد. این کتاب شامل مباحثی از پیچیدگی محاسباتی یادگیری و مفاهیم تحدب و ثبات؛ الگوهای الگوریتمی مهم شامل گرادیان نزولی تصادفی، شبکه‌های عصبی و یادگیری خروجی ساختارمند، و مفاهیم نظری درحال ظهور مانند رویکرد PAC-Bayes و مرزهای مبتنی بر فشرده‌سازی می‌باشد.

درک خود از ساختمان داده‌ها و الگوریتم‌های آنها را برای پایه مورد نیاز خود درجهت طراحی، پیاده‌سازی و نگهداری تقریبا هر سیتم نرم‌افزاری را توقیت کنید.
ویرایش چهارم کتاب تئوری و درعین حال عملی “ساختمان داده‌ها و الگوریتم‌ها در ++C”نوشته‌شده نویسنده باتجربهAdam Drosdek ، ارتباط اساسی میان ساختمان‌ داده‌ها و الگوریتم‌های آنها را برجسته می‌سازد و توجهی یکسان بر پیاده‌سازی عملی ساختمان داده‌ها و تجزیه و تحلیل تئوری الگوریتم‌ها و بهره‌وری آنها، دارد.