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.

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.

کتاب “یادگیری ماشینی در محیط‌های غیرثابت” بر محیط‌های خاص غیر ثابت تمرکز می‌کند که به‌عنوان یک تغییر همگام در شرایطی که توزیع‌ ورودی‌ها (پرس‌وجوها) تغییر می‌یابد اما توزیع مشروط خروجی (پاسخ‌ها) قابل تغییر نیست، شناخته شده است. همچنین به ارائه نظریه یادگیری ماشینی، الگوریتم‌ها و برنامه‌های کاربردی برای غلبه بر این تنوع غیرثابت، می‌پردازد.
نویسندگان بعد از مرور تحقیقات جدید در این زمینه، دررابطه با موضوعاتی ازجمله یادگیری تحت تغییر همگام، انتخاب مدل، برآورد اهمیت و یادگیری فعال، به بحث می‌پردازند. آنها کاربردهای دنیای واقعی تطابق تغییر همگام ازجمله رابط مغز و کامپیوتر، شناسایی گوینده و پیش‌بینی سن ازطریق تصاویر صورت را توصیف می‌کنند.
نویسندگان با این کتاب، به‌دنبال تشویق به پژوهش‌های آینده درزمینه یادگیری ماشینی، آمار و مهندسی هستند که برای خلق ماشین‌های یادگیری کاملا مستقل که قادر به یادگیری در محیط‌های غیر ثابت می‌باشند، تلاش می‌کنند.

به‌عنوان یکی از جامع‌ترین متون یادگیری ماشینی، عدالت را در زمینه مطالب گسترده این موضوع بدون نادیده‌ گرفتن مفاهیم اصولی،‌ رعایت می‌کند.
رویکرد ساده و مبتنی بر مثال Peter Flach با بحث دررابطه با اینکه فیلتر هرزنامه چطور کار می‌کند و کدام‌‌یک معرفی بلادرنگ از یادگیری ماشینی با حداقل نویز فنی در عمل را ارائه می‌دهد، آغاز می‌شود.
Flach مطالعات موردی از افزایش پیچیدگی و تنوع با مثال‌های منتخب عالی و تصاویر جامع ارائه می‌دهد. او یک طیف وسیع از مدل‌های منطقی، هندسی و آماری و موضوعات جدید مانند فاکتوریزیشن ماتریکس و تحلیل Roc را پوشش می‌دهد.

کتاب “داده‌کاوی” یک دانش اولیه جامع در زمینه مفاهیم یادگیری ماشین همچنین توصیه‌های عملی در زمینه اجرای ابزارها و تکنیک‌های یادگیری ماشین در شرایط‌ واقعی داده‌کاوی را ارائه می‌دهد.
نسخه سوم این کتاب، هرآنچیزی را که نیاز دارید درباره آماده‌سازی ورودی‌ها، تفسیر خروجی‌ها، ارزیابی نتایج و روش‌های الگوریتمی در قلب داده‌کاوی موفق بدانید را به شما آموزش می‌دهد.
این نسخه با به‌روزرسانی کامل، آخرین تغییرات تکنیکی که بعد از ویرایش دوم کتاب صورت گرفته است را انعکاس می‌‌دهد. این تغییرات شامل مواد جدید در تحول داده‌، یادگیری جمعی، مجموعه‌های عظیم داده، یادگیری چندنمونه‌ای به‌همراه نسخه جدید نرم‌افزار یادگیری ماشین محبوب Weka که توسط نویسندگان توسعه یافته است، می‌شود.

امروزه، سیل درخواست‌های داده‌های الکترونیکی بر روی وب، خواستار روش‌های خودکار آنالیز داده می‌باشند. کتاب “یادگیری ماشینی” این روش‌های درحال توسعه را که می‌توانند به‌طور خودکار الگوهای موجود در داده را تشخیص دهند و سپس از الگوهای کشف‌شده برای پیش‌بینی داده‌های آینده استفاده کنند، ارائه می‌دهد.
این کتاب درسی، یک معرفی جامع و مستقل در زمینه یادگیری ماشینی را براساس یک رویکرد احتمالی متحد، ارائه می‌دهد. این کتاب در یک سبک غیر رسمی و قابل‌ دسترس نوشته شده است و با شبه‌کدهای مهم‌ترین الگوریتم‌ها کامل می‌شود. تمام موضوعات کاملا با تصاویر رنگی و نمونه‌های آزمایش‌شده نمایش داده شده‌اند که این نمونه‌ها از حوزه‌های کاربردی مانند بیولوژی، پردازش متن، بینایی کامپیوتر و روباتیک گرفته شده است.