機器學習最強入門 基礎數學/機率/統計 邁向 AI真實數據 x 專題實作 ★★★★★【數學原理 + 演算法 + 真實案例+ 專題實作】★★★★★ ★★★★★【最簡明的數學、機率、統計知識】★★★★★ ★★★★★【最完整的機器學習演算法】★★★★★ ★★★★★【最豐富的真實數據 x 專題實作】★★★★★ 本書特色如下： ★ 最白話解釋數學原理 ☆ 從簡單的數據開始理解機器學習的演算法 ★ 將理論知識轉化為實際的程式碼 ☆ 實際案例分析 全書有約416個Python程式實例，讀者可以由本書內容，了解下列與機器學習有關的基礎數學、機率、統計知識： ★ 方程式與函數 ☆ 完整Python語法 ★ 一元函數到多元函數 ☆ 最小平方法 ★ 基礎統計 ☆ 機率與單純貝式理論 ★ 指數與對數 ☆ logit函數與logistic函數 ★ 向量與矩陣 ☆ 二次函數、三次函數與多項式函數 當讀者有了上述知識後，筆者從簡單的實例開始介紹下列機器學習的演算法，每一種演算法皆是從基礎數據開始解說，然後跨入真實數據，解說應該如何將演算法應用到真實案例環境： ★ 線性迴歸 – 波士頓房價 ☆ 邏輯迴歸 – 信用卡/葡萄酒/糖尿病 ★ 決策樹 – 葡萄酒/鐵達尼號/Telco/Retail ☆ 隨機森林樹 – 波士頓房價/鐵達尼號/Telco/收入分析 ★ KNN演算法 – 電影推薦/足球射門/鳶尾花/小行星撞地球 ☆ 支援向量機 – 鳶尾花/乳癌/汽車燃料 ★ 單純貝式分類 – 垃圾郵件/中英文的新聞分類/情感分析/電影評論 ☆ 集成機器學習 – 蘑菇/醫療保險/玻璃/加州房價 ★ K-means分群 – 購物中心消費/葡萄酒評價 ☆ PCA主成分分析 – 手寫數字/人臉數據 ★ 階層式分群 – 小麥數據/老實泉 ☆ DBSCAN演算法 – 購物中心客戶分析 在講解上述演算法時，筆者同時介紹下列機器學習應該知道的知識： ★ 特徵選擇 ☆ 用直方圖了解特徵分佈 ★ 用箱型圖了解異常值 ☆ 數據預處理 ★ 殘差圖(Residual plot) ☆ 機器學習性能評估 ★ 過擬合(overfitting) ☆ 欠擬合(underfitting) ★ 數據洩漏(Data leakage) ☆ 繪製決策樹圖(Decision tree map) ★ 可視化熱力圖(Heat map) ☆ 決策邊界(Decision Boundary) ★ 增加數據維度與超平面 ☆ 交叉驗證(Cross-validation) ★ 泛化能力(Generalization Ability) ☆ 弱學習器(Weaks learners) ★ 強學習器(Strong learners) ☆ 學習模型(base learner) 本書最後一章，介紹了熱門的AI主題「語音辨識」，從本章內容讀者可以學會下列知識： ★ 語音轉文字 ☆ 文字轉語音 ※ 本書所有程式實例可至深智官網下載：deepwisdom.com.tw