內容簡介
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
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
作者簡介
洪錦魁
一位跨越電腦作業系統與科技時代的電腦專家，著作等身的作家。
DOS時代他的代表作品是IBM PC組合語言、C、C++、Pascal、資料結構。
Windows時代他的代表作品是Windows Programming使用C、Visual Basic。
Internet時代他的代表作品是網頁設計使用HTML。
大數據時代他的代表作品是R語言邁向Big Data之路。
人工智慧時代他的代表作品是機器學習基礎數/微積分 + Python實作。
作品曾被翻譯為簡體中文、馬來西亞文、英文，近年來作品則是在北京清華大學和台灣深智同步發行：
1：C、Java、Python、C#、R最強入門邁向頂尖高手之路王者歸來
2：OpenCV影像創意邁向AI視覺王者歸來
3：Python網路爬蟲：大數據擷取、清洗、儲存與分析王者歸來
4：演算法邏輯思維 + Python程式實作王者歸來
5：Python從2D到3D資料視覺化
6：網頁設計HTML+CSS+JavaScript+jQuery+Bootstrap+Google Maps王者歸來
7：機器學習彩色圖解 + 基礎數學、基礎微積分 + Python實作王者歸來
8：Excel完整學習、Excel函數庫、Excel VBA應用王者歸來
9：Python操作Excel最強入門邁向辦公室自動化之路王者歸來
10：Power BI最強入門 – AI視覺化+智慧決策+雲端分享王者歸來
他的多本著作皆曾登上天瓏、博客來、Momo電腦書類，各個時期暢銷排行榜第1名，他的著作最大的特色是，所有程式語法或是功能解說會依特性分類，同時以實用的程式範例做解說，不賣弄學問，讓整本書淺顯易懂，讀者可以由他的著作事半功倍輕鬆掌握相關知識。
一位跨越電腦作業系統與科技時代的電腦專家，著作等身的作家。
DOS時代他的代表作品是IBM PC組合語言、C、C++、Pascal、資料結構。
Windows時代他的代表作品是Windows Programming使用C、Visual Basic。
Internet時代他的代表作品是網頁設計使用HTML。
大數據時代他的代表作品是R語言邁向Big Data之路。
人工智慧時代他的代表作品是機器學習基礎數/微積分 + Python實作。
作品曾被翻譯為簡體中文、馬來西亞文、英文，近年來作品則是在北京清華大學和台灣深智同步發行：
1：C、Java、Python、C#、R最強入門邁向頂尖高手之路王者歸來
2：OpenCV影像創意邁向AI視覺王者歸來
3：Python網路爬蟲：大數據擷取、清洗、儲存與分析王者歸來
4：演算法邏輯思維 + Python程式實作王者歸來
5：Python從2D到3D資料視覺化
6：網頁設計HTML+CSS+JavaScript+jQuery+Bootstrap+Google Maps王者歸來
7：機器學習彩色圖解 + 基礎數學、基礎微積分 + Python實作王者歸來
8：Excel完整學習、Excel函數庫、Excel VBA應用王者歸來
9：Python操作Excel最強入門邁向辦公室自動化之路王者歸來
10：Power BI最強入門 – AI視覺化+智慧決策+雲端分享王者歸來
他的多本著作皆曾登上天瓏、博客來、Momo電腦書類，各個時期暢銷排行榜第1名，他的著作最大的特色是，所有程式語法或是功能解說會依特性分類，同時以實用的程式範例做解說，不賣弄學問，讓整本書淺顯易懂，讀者可以由他的著作事半功倍輕鬆掌握相關知識。
內容目錄
第1 章 機器學習基本觀念
1-1 人工智慧、機器學習、深度學習
1-2 認識機器學習
1-3 機器學習的種類
1-4 機器學習的應用範圍
1-5 深度學習
第2 章 機器學習的基礎數學
2-1 用數字描繪事物
2-2 變數觀念
2-3 從變數到函數
2-4 等式運算的規則
2-5 代數運算的基本規則
2-6 用數學抽象化開餐廳的生存條件
2-7 基礎數學的結論
第3 章 認識方程式/函數/座標圖形
3-1 認識方程式
3-2 方程式文字描述方法
3-3 一元一次方程式
3-4 函數
3-5 座標圖形分析
3-6 將線性函數應用在機器學習
3-7 二元函數到多元函數
3-8 Sympy 模組
第4 章 從聯立方程式看機器學習的數學模型
4-1 數學觀念建立連接兩點的直線
4-2 機器學習使用聯立方程式推估數據
4-3 從2 條直線的交叉點推估科學數據
4-4 兩條直線垂直交叉
第5章 從畢氏定理看機器學習
5-1 驗證畢氏定理
5-2 將畢氏定理應用在性向測試
5-3 將畢氏定理應用在三維空間
5-4 將畢氏定理應用在更高維的空間
5-5 電影分類
5-6 計算兩個向量的歐幾里德距離
第6章 聯立不等式與機器學習
6-1 聯立不等式與機器學習
6-2 再看聯立不等式的基本觀念
6-3 聯立不等式的線性規劃
6-4 Python 計算
第7 章 機器學習需要知道的二次函數
7-1 二次函數的基礎數學
7-2 從一次到二次函數的實務
7-3 認識二次函數的係數
7-4 使用3 個點求解一元二次函數
7-5 二次函數的配方法
7-6 二次函數與解答區間
第8 章 機器學習的最小平方法
8-1 最小平方法基本觀念
8-2 簡單的企業實例
8-3 機器學習建立含誤差值的線性方程式
8-4 Numpy 實作最小平方法
8-5 線性迴歸
8-6 實務應用
第9 章 機器學習必須懂的集合
9-1 使用Python 建立集合
9-2 集合的操作
9-3 子集、宇集與補集
9-4 加入與刪除集合元素
9-5 冪集與Sympy 模組
9-6 笛卡兒積
第10 章 機器學習必須懂的排列與組合
10-1 排列基本觀念
10-2 有多少條回家路
10-3 排列組合
10-4 階乘的觀念
10-5 重複排列
10-6 組合
第11 章 機器學習需要認識的機率
11-1 機率基本觀念
11-2 數學機率與統計機率
11-3 事件機率名稱
11-4 事件機率規則
11-5 抽獎的機率 – 加法與乘法綜合應用
11-6 餘事件與乘法的綜合應用
11-7 條件機率
11-8 貝氏定理
11-9 蒙地卡羅模擬
11-10 Numpy 的隨機模組random
第12 章 二項式定理
12-1 二項式的定義
12-2 二項式的幾何意義
12-3 二項式展開與規律性分析
12-4 找出xn-kyk 項的係數
12-5 二項式的通式
12-6 二項式到多項式
12-7 二項分佈實驗
12-8 將二項式觀念應用在業務數據分析
12-9 二項式機率分佈Python 實作
12-10 Numpy 隨機數模組的binomial( ) 函數
第13 章 指數觀念與指數函數
13-1 認識指數函數
13-2 指數運算的規則
13-3 指數函數的圖形
第14 章 對數(logarithm)
14-1 認識對數函數
14-2 對數表的功能
14-3 對數運算可以解決指數運算的問題
14-4 認識對數的特性
14-5 對數的運算規則與驗證
第15 章 歐拉數與邏輯函數
15-1 歐拉數
15-2 邏輯函數
15-3 logit 函數
15-4 邏輯函數的應用
第16 章 三角函數
16-1 直角三角形的邊長與夾角
16-2 三角函數的定義
16-3 計算三角形的面積
16-4 角度與弧度
16-5 程式處理三角函數
16-6 從單位圓看三角函數
16-7 三角函數與機器學習的關係
第17 章 基礎統計與大型運算子
17-1 母體與樣本
17-2 數據加總
17-3 數據分佈
17-4 數據中心指標
17-5 數據分散指標
17-6 符號運算規則與驗證
17-7 活用符號
17-8 迴歸分析
17-9 隨機函數的分佈
第18 章 機器學習的向量
18-1 向量的基礎觀念
18-2 向量加法的規則
18-3 向量的長度
18-4 向量方程式
18-5 向量內積
18-6 皮爾遜相關係數
18-7 向量外積
第19 章 機器學習的矩陣
19-1 矩陣的表達方式
19-2 矩陣相加與相減
19-3 矩陣乘以實數
19-4 矩陣乘法
19-5 方形矩陣
19-6 單位矩陣
19-7 反矩陣
19-8 用反矩陣解聯立方程式
19-9 張量(Tensor)
19-10 轉置矩陣
第20 章 向量、矩陣與多元線性回歸
20-1 向量應用在線性迴歸
20-2 向量應用在多元線性迴歸
20-3 矩陣應用在多元線性迴歸
20-4 將截距放入矩陣
20-5 簡單的線性迴歸
第21 章 三次函數迴歸曲線的程式實作
21-1 繪製數據的散點圖
21-2 三次函數的迴歸曲線模型
21-3 使用scikit-learn 模組評估迴歸模型
21-4 預測未來值
21-5 不適合的三次函數迴歸數據
第22 章 機器學習使用scikit-learn 入門
22-1 scikit-learn 的歷史
22-2 機器學習的數據集
22-3 scikit-learn 生成數據實作
22-4 scikit-learn 數據預處理
22-5 機器學習scikit-learn 入門
22-6 分類演算法 - 機器學習模型的性能評估
22-7 機器學習必需會的非數值資料轉換
22-8 機器學習演算
1-1 人工智慧、機器學習、深度學習
1-2 認識機器學習
1-3 機器學習的種類
1-4 機器學習的應用範圍
1-5 深度學習
第2 章 機器學習的基礎數學
2-1 用數字描繪事物
2-2 變數觀念
2-3 從變數到函數
2-4 等式運算的規則
2-5 代數運算的基本規則
2-6 用數學抽象化開餐廳的生存條件
2-7 基礎數學的結論
第3 章 認識方程式/函數/座標圖形
3-1 認識方程式
3-2 方程式文字描述方法
3-3 一元一次方程式
3-4 函數
3-5 座標圖形分析
3-6 將線性函數應用在機器學習
3-7 二元函數到多元函數
3-8 Sympy 模組
第4 章 從聯立方程式看機器學習的數學模型
4-1 數學觀念建立連接兩點的直線
4-2 機器學習使用聯立方程式推估數據
4-3 從2 條直線的交叉點推估科學數據
4-4 兩條直線垂直交叉
第5章 從畢氏定理看機器學習
5-1 驗證畢氏定理
5-2 將畢氏定理應用在性向測試
5-3 將畢氏定理應用在三維空間
5-4 將畢氏定理應用在更高維的空間
5-5 電影分類
5-6 計算兩個向量的歐幾里德距離
第6章 聯立不等式與機器學習
6-1 聯立不等式與機器學習
6-2 再看聯立不等式的基本觀念
6-3 聯立不等式的線性規劃
6-4 Python 計算
第7 章 機器學習需要知道的二次函數
7-1 二次函數的基礎數學
7-2 從一次到二次函數的實務
7-3 認識二次函數的係數
7-4 使用3 個點求解一元二次函數
7-5 二次函數的配方法
7-6 二次函數與解答區間
第8 章 機器學習的最小平方法
8-1 最小平方法基本觀念
8-2 簡單的企業實例
8-3 機器學習建立含誤差值的線性方程式
8-4 Numpy 實作最小平方法
8-5 線性迴歸
8-6 實務應用
第9 章 機器學習必須懂的集合
9-1 使用Python 建立集合
9-2 集合的操作
9-3 子集、宇集與補集
9-4 加入與刪除集合元素
9-5 冪集與Sympy 模組
9-6 笛卡兒積
第10 章 機器學習必須懂的排列與組合
10-1 排列基本觀念
10-2 有多少條回家路
10-3 排列組合
10-4 階乘的觀念
10-5 重複排列
10-6 組合
第11 章 機器學習需要認識的機率
11-1 機率基本觀念
11-2 數學機率與統計機率
11-3 事件機率名稱
11-4 事件機率規則
11-5 抽獎的機率 – 加法與乘法綜合應用
11-6 餘事件與乘法的綜合應用
11-7 條件機率
11-8 貝氏定理
11-9 蒙地卡羅模擬
11-10 Numpy 的隨機模組random
第12 章 二項式定理
12-1 二項式的定義
12-2 二項式的幾何意義
12-3 二項式展開與規律性分析
12-4 找出xn-kyk 項的係數
12-5 二項式的通式
12-6 二項式到多項式
12-7 二項分佈實驗
12-8 將二項式觀念應用在業務數據分析
12-9 二項式機率分佈Python 實作
12-10 Numpy 隨機數模組的binomial( ) 函數
第13 章 指數觀念與指數函數
13-1 認識指數函數
13-2 指數運算的規則
13-3 指數函數的圖形
第14 章 對數(logarithm)
14-1 認識對數函數
14-2 對數表的功能
14-3 對數運算可以解決指數運算的問題
14-4 認識對數的特性
14-5 對數的運算規則與驗證
第15 章 歐拉數與邏輯函數
15-1 歐拉數
15-2 邏輯函數
15-3 logit 函數
15-4 邏輯函數的應用
第16 章 三角函數
16-1 直角三角形的邊長與夾角
16-2 三角函數的定義
16-3 計算三角形的面積
16-4 角度與弧度
16-5 程式處理三角函數
16-6 從單位圓看三角函數
16-7 三角函數與機器學習的關係
第17 章 基礎統計與大型運算子
17-1 母體與樣本
17-2 數據加總
17-3 數據分佈
17-4 數據中心指標
17-5 數據分散指標
17-6 符號運算規則與驗證
17-7 活用符號
17-8 迴歸分析
17-9 隨機函數的分佈
第18 章 機器學習的向量
18-1 向量的基礎觀念
18-2 向量加法的規則
18-3 向量的長度
18-4 向量方程式
18-5 向量內積
18-6 皮爾遜相關係數
18-7 向量外積
第19 章 機器學習的矩陣
19-1 矩陣的表達方式
19-2 矩陣相加與相減
19-3 矩陣乘以實數
19-4 矩陣乘法
19-5 方形矩陣
19-6 單位矩陣
19-7 反矩陣
19-8 用反矩陣解聯立方程式
19-9 張量(Tensor)
19-10 轉置矩陣
第20 章 向量、矩陣與多元線性回歸
20-1 向量應用在線性迴歸
20-2 向量應用在多元線性迴歸
20-3 矩陣應用在多元線性迴歸
20-4 將截距放入矩陣
20-5 簡單的線性迴歸
第21 章 三次函數迴歸曲線的程式實作
21-1 繪製數據的散點圖
21-2 三次函數的迴歸曲線模型
21-3 使用scikit-learn 模組評估迴歸模型
21-4 預測未來值
21-5 不適合的三次函數迴歸數據
第22 章 機器學習使用scikit-learn 入門
22-1 scikit-learn 的歷史
22-2 機器學習的數據集
22-3 scikit-learn 生成數據實作
22-4 scikit-learn 數據預處理
22-5 機器學習scikit-learn 入門
22-6 分類演算法 - 機器學習模型的性能評估
22-7 機器學習必需會的非數值資料轉換
22-8 機器學習演算