Buku ini dimulai dengan penjelasan tahapan dalam beberapa pendekatan data mining populer seperti KDD, CRISP-DM, dan SEMMA, diikuti dengan diskusi tentang konsep dasar statistik, eksplorasi data, dan perbedaan antara machine learning dan data mining. Topik-topik lain yang dibahas meliputi pengumpulan data, pembersihan data, transformasi data, evaluasi model, dan visualisasi data.
Selanjutnya, membahas jenis algoritma clustering seperti K-Means, K-Medoids, Hierarchical Clustering, dan DBSCAN, serta penggunaan dan evaluasi algoritma tersebut dengan contoh data iris. Kemudian, menjelaskan algoritma pohon keputusan seperti CART, ID3, C4.5, CHAID, dan algoritma ensemble seperti Random Forest, XGBoost, dan LightGBM, beserta kode dan fungsi di Python.
Selain itu, membahas evaluasi dalam konteks klasifikasi, regresi, dan pengelompokan, serta algoritma regresi dan klasifikasi seperti Regresi Linear, Regresi Logistik, Support Vector Machine (SVM), dan K-Nearest Neighbors (KNN). Topik lain termasuk algoritma asosiasi seperti Apriori dan FP-Growth, evaluasi cross-validation, serta metrik evaluasi kinerja model.
Buku ini juga mencakup berbagai fungsi dan pustaka Python yang digunakan dalam data mining dan machine learning, serta penjelasan tentang evaluasi algoritma pohon keputusan, SVM, dan KNN. Terakhir, membahas algoritma regresi, metrik evaluasi, dan konsep MSE baseline.