У підручнику розглядаються основні принципи аналізу даних та машинного навчання, приділяється увага CRISP-DM методології та питанням підготовки даних. Розглянуто базові моделі лінійної та нелінійної регресії, класифікації (зокрема логістична регресія, методи опорних векторів та k-найближчих сусідів, Байєсова класифікація, дерева рішень і випадковий ліс), кластеризації (ієрархічна і k-середніх), а також методи побудови асоціативних правил. Серед більш складних методів машинного навчання розглянуто методи обробки природної мови (модель «Мішок слів», класифікація текстів та аналіз настроїв), використання штучних нейронних мереж в задачах прогнозування, класифікації та кластеризації, подано алгоритми глибокого навчання (згорткові та рекурентні мережі). Кожен розділ підручника містить теоретичний матеріал, ілюстративні матеріали та лабораторні роботи, виконання яких дозволить студентам оволодіти методами та моделями машинного навчання, а також питання для самоперевірки та завдання для самостійного виконання. Для бакалаврів, магістрів та докторів філософії, а також викладачів ВНЗ. Підручник буде корисним вченим і фахівцям, які використовують в роботі технології машинного навчання.