یکی از دغدغه‌هایی که ممکن است در زمان مطالعه‌ی مباحث مربوط به یادگیری ماشین و هوش مصنوعی داشته باشیم، حجم بالای جزئیات الگوریتم‌های آنها است و معمولا هر کتاب هم تنها بخشی از مطالب این حوزه‌ها را پوشش می‌دهد یا حجم کتاب بسیار زیاد است. کتاب& The Hundred-Page Machine Learning Book منبعی است که تمامی موارد مورد نیاز را به صورت خلاصه مرور کرده است.
این کتاب به صورت مختصر و مفید از مباحث پایه‌ای مانند رگرسیون و درخت تصمیم تا مباحث پیشرفته مثل شبکه‌های عصبی و یادگیری عمیق و یادگیری تقویتی را در کنار مباحثی مانند روش‌های آماده کردن داده یا پیش‌گیری از بیش‌برازش و کم‌برازش معرفی می‌کند و به این ترتیب کمک می‌کند خواننده نقشه‌ی ذهنی مناسبی از کل فضای این حوزه‌ها داشته باشد. به همین دلیل می‌تواند شروع مناسبی برای علاقه‌مندان به این حوزه، به ویژه شرکت‌کنندگان در المپیاد هوش مصنوعی باشد که لزومی ندارد از ابتدا با همه‌ی جزئیات آشنا باشند.
فهرست مطالب یازده فصل این کتاب به شرح زیر است.
1 Introduction
1.1 What is Machine Learning
1.2 Types of Learning
1.3 How Supervised Learning Works
1.4 Why the Model Works on New Data
2 Notation and Definitions
2.1 Notation
2.2 Random Variable
2.3 Unbiased Estimators
2.4 Bayes’ Rule
2.5 Parameter Estimation
2.6 Classification vs. Regression
2.7 Model-Based vs. Instance-Based Learning
3 Fundamental Algorithms
3.1 Linear Regression
3.2 Logistic Regression
3.3 Decision Tree Learning
3.4 Support Vector Machine
3.5 k-Nearest Neighbors
4 Anatomy of a Learning Algorithm
4.1 Building Blocks of a Learning Algorithm
4.2 Gradient Descent
4.3 How Machine Learning Engineers Work
4.4 Learning Algorithms’ Particularities
5 Basic Practice
5.1 Feature Engineering
5.2 Learning Algorithm Selection
5.3 Three Sets
5.4 Underfitting and Overfitting
5.5 Regularization
5.6 Model Performance Assessment
5.7 Hyperparameter Tuning
6 Neural Networks and Deep Learning
6.1 Neural Networks
6.2 Deep Learning
7 Problems and Solutions
7.1 Kernel Regression
7.2 Multiclass Classification
7.3 One-Class Classification
7.4 Multi-Label Classification
7.5 Ensemble Learning
7.6 Learning to Label Sequences
7.7 Sequence-to-Sequence Learning
7.8 Active Learning
7.9 Semi-Supervised Learning
7.10 One-Shot Learning
7.11 Zero-Shot Learning
8 Advanced Practice
8.1 Handling Imbalanced Datasets
8.2 Combining Models
8.3 Training Neural Networks
8.4 Advanced Regularization
8.5 Handling Multiple Inputs
8.6 Handling Multiple Outputs
8.7 Transfer Learning
8.8 Algorithmic Eciency
9 Unsupervised Learning
9.1 Density Estimation
9.2 Clustering
9.3 Dimensionality Reduction
9.4 Outlier Detection
10 Other Forms of Learning
10.1 Metric Learning
10.2 Learning to Rank
10.3 Learning to Recommend
10.4 Self-Supervised Learning: Word Embeddings
11 Conclusion
11.1 Topic Modeling
11.2 Gaussian Processes
11.3 Generalized Linear Models
11.4 Probabilistic Graphical Models
11.5 Markov Chain Monte Carlo
11.6 Genetic Algorithms
11.7 Reinforcement Learning
در واقع تمرکز این کتاب روی شهود الگوریتم‌ها بدون ورود به جزئیات است. اما دارای یک ویکی آنلاین شامل کدهای نمونه‌ی پایتون، منابع تکمیلی و تمرین است که در این پیوند قرار دارند. نسخه‌ی PDF رایگان آن نیز این پیوند قابل دریافت است.