Boken 'Machine Learning' tilbyr en omfattende innføring i maskinlæring for lesere med grunnleggende kunnskaper i lineær algebra, statistikk, sannsynlighet og programmering. Innholdet presenteres innenfor en sammenhengende statistisk ramme og dekker et utvalg av metoder for overvåket maskinlæring, fra de mest grunnleggende teknikkene som k-NN, beslutningstrær, lineær og logistisk regresjon, til mer avanserte metoder som dyp nevrale nettverk, støttevektormaskiner, Gaussiske prosesser, tilfeldige skoger og boosting. Boken inkluderer også ofte brukte metoder for uovervåket læring, som generative modeller, k-means, PCA, autoenkodere og generative motstandsnettverk. For alle metodene tilbys grundige forklaringer og pseudokode, som gjør det lettere å forstå prosessene bak. Forfatterne legger vekt på de grunnleggende prinsippene ved å trekke forbindelser mellom metodene og diskutere generelle konsepter som tapfunksjoner, maksimal sannsynlighet, bias-varians-dekomponering, ensemblegjennomsnitt, kjerner, samt den Bayesianske tilnærmingen. I tillegg presenteres nyttige verktøy som regularisering, kryssvalidering, evalueringsmetrikker og optimalisering.
