در این اثر ضمن توجه به مباحث جدید و به روز دانش داده کاوی، با زبانی ساده و کاربردی به پیاده سازی این مفاهیم در زبان برنامه نویسی پایتون پرداخته شده است. ساختار کتاب به گونه ای ترسیم شده است که مخاطب بدون نیاز به کمترین پیش زمینه مطالعاتی، گام به گام با مباحث پیش رفته و به مرور به این مباحث تسلط یابد. نویسندگان که در کنار مطالعات دانشگاهی از تجربیات عملی در محیط واقعی بهره برده اند، تلاش کرده اند تا با ذکر مثال هایی کاربردی، خواننده را برای اجرای پروژه های داده کاوی در محیط عملیاتی آماده سازند.
فصل اول: مقدمهای بر دادهکاوی
1-1. دادهكاوي و كشف دانش در پايگاه دادهها
فصل دوم: مقدمهای بر پایتون
2-3. اجرای پایتون در محیط توسعهی یکپارچه
2-13. آمار توصیفی در پایتون با کتابخانهی Numpy
2-14. ساختار قاب داده و کتابخانهی Pandas
2-16. کار با داده و فایلهای اکسل در پایتون
فصل سوم : تحلیل اکتشافی دادهها در پایتون
3-1. آمادهسازی دادهها برای دادهکاوی
3-3. تحلیل اکتشافی دادهها در پایتون
3-5. تشخیص دادههای پرت با استفاده از خوشهبندی
فصل چهارم: خوشهبندی
4-2. تفاوت دستهبندی و خوشهبندی
4-6. پیادهسازی الگوریتمهای خوشهبندی
فصل پنجم: دستهبندی و پیشبینی
5-2. راه متداول ساخت مدل دستهبندی
5-3. تفاوت دستهبندی و خوشهبندی
فصل ششم: تحلیل شبکههای اجتماعی
6-2. انواع مرکزیت و شاخصهای اصلی در تحلیل شبکه
6-10. محاسبهی شاخصهای کلان شبکه
فصل هفتم: ترکیب الگوریتمها در دادهکاوی
7-2. پیادهسازی روشهای ترکیبی در پایتون