本書遵循專業考科「TQC+ 人工智慧：機器學習Python 3」技能規範架構撰寫，符合鑑定的命題趨勢。 

1.內容由淺入深，採循序漸進的方式建立您運用機器學習解決問題的基本概念，達到技術的傳承及表達，符合實務運用需求。 

2.本書共有七個章節，包含「Python與機器學習」、「數據前處理」、「監督式學習：迴歸」、「監督式學習：分類」、「模型擬合、評估與超參數調校」、「非監督式學習：降維與分群」、「集成學習」、「機器學習應用」，帶領讀者快速從資料中自動分析獲得規律，並利用規律對未知資料進行預測與分類，是為實現人工智慧:機器學習實際表現之最佳讀本。 

3.題庫練習 歡迎到雲端練功坊（cloud.csf.org.tw）來充電、練功。 

4.配合中華民國電腦技能基金會（www.csf.org.tw）測驗，一舉取得專業證照，讓您求學、求職更具競爭力。 

Chapter 0 Python與機器學習 
0-1 Python發展與編寫環境 
0-2 機器學習 
0-3 機器學習使用Python 
0-4 基礎數學與Python實作 
0-5 小結 
綜合範例 

Chapter 1 數據前處理 
1-1 數據類型 
1-2 遺漏值 
1-3 切割數據集 
1-4 異常值 
1-5 選取重要特徵 
1-6 小結 
綜合範例 

Chapter 2 監督式學習：迴歸 
2-1 線性迴歸 
2-2 評估迴歸模型的效能 
2-3 正規化的迴歸 
2-4 處理非線性關係 
2-5 小結 
綜合範例 

Chapter 3 監督式學習：分類 
3-1 迴歸vs分類 
3-2 評估分類器的效能 
3-3 邏輯斯迴歸 
3-4 支援向量機 
3-5 簡單貝氏分類器 
3-6 決策樹 
3-7 k最近鄰 
3-8 小結 
綜合範例 

Chapter 4 模型擬合、評估與超參數調校 
4-1 工作流程管道化 
4-2 過擬合與欠擬合 
4-3 評估模型效能 
4-4 調校超參數 
4-5 處理類別不平衡 
4-6 小結 
綜合範例 

Chapter 5 非監督式學習：降維與分群 
5-1 主成份分析降維 
5-2 k-means分群 
5-3 階層式分群 
5-4 DBSCAN分群 
5-5 鄰近傳播分群 
5-6 小結 
綜合範例 

Chapter 6 集成學習 
6.1 以袋裝法集思廣益 
6.2 以提升法互補有無 
6.3 以堆疊法兼容並蓄 

Chapter 7 機器學習應用 
7.1 自然語言處理 
7.2 序列資料處理