Книга содержит около 200 задач машинного обучения, таких как загрузка и обработка текстовых или числовых данных, отбор модели и многие другие. Рассмотрена работа с языком Python, библиотеками pandas и scikit-learn. Коды примеров можно вставлять, объединять и адаптировать, создавая собственное приложение. Приведены рецепты решений с использованием: векторов, матриц и массивов, данных из CSV, JSON, SQL, баз данных, облачных хранилищ и других источников, обработки данных, текста, изображений, дат и времени, уменьшения размерности и методов выделения или отбора признаков, оценивания и отбора моделей, линейной и логистической регрессии, деревьев, лесов и k ближайших соседей, опорно-векторных машин (SVM), наивных байесовых классификаторов, кластеризации и нейронных сетей, сохранения и загрузки натренированных моделей.
Во втором издании все примеры обновлены, рассмотрены задачи и фреймворки глубокого обучения, расширены разделы с тензорами, нейронными сетями и библиотекой глубокого обучения PyTorch.
