Readmoo 讀墨電子書
每日問答 每日優惠 版權到期
機器學習最強入門：基礎數學／機率／統計邁向AI真實數據專題實作－王者歸來
0 則劃線
0 篇書評

機器學習最強入門：基礎數學／機率／統計邁向AI真實數據專題實作－王者歸來

分類導覽 > 電腦科技 > 軟\硬體應用
  • 出版日期： 2023/08/11
  • 語言：繁體中文
  • 檔案大小：183.0MB
  • 商品格式：固定版面 EPUB
  • ISBN: 9786267273784
  • eISBN: 9786267273876
  • 頁數： 772
紙本書定價：NT$ 980
電子書定價：NT$ 980
電子書售價：NT$ 784
本書為固定版面 EPUB，建議您使用 mooInk Pro 系列、平板及電腦閱讀。

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】★★★★★

喜歡這本的人，也看了...

  • 李明憲
    李明憲
    電子書： NT$ 400

    作者結合統計學專業與多年實務經驗，首創「AI 統計分析工作流」，教你用免費的 Google Gemini，在一天內完成過去需要一週的分析工作。 【本書特色】 ✓ 零門...

    試讀
  • 堀桂太郎
    台灣東販
    電子書： NT$ 280

    從生活娛樂、網路通訊到產業發展，掌握電路結構！

    試讀
  • 井上伸雄 藏本貴文
    台灣東販
    出版日期：2022-11-28
    電子書： NT$ 294

    從半導體運用方式的工程師觀點、商業觀點，以及各種不同面向，看待整個半導體產業

    試讀
  • 李明憲
    李明憲
    電子書： NT$ 1000

    -這是一本手把手的實戰手冊，帶你從零開始： - 理解Q方法論的哲學基礎、設計研究架構、建構論匯、開發36句Q陳述，到完成IRB倫理審查申請。 - 最大亮點：結...

    試讀
  • 李明憲
    李明憲
    電子書： NT$ 380

    書籍簡介 本書是台灣首創的 AI學術研究七步驟實戰手冊，帶你從主題探索到文獻寫作，完整建立知識庫與工作流。書中整合 Undermind、Consensus、Scispace、Li...

    試讀
  • 李明憲
    李明憲
    電子書： NT$ 350

    📘 你知道所有的文獻都是原子句構成的嗎?這是一本革命性的閱讀文獻方法，以往，我們總是一篇篇閱讀，再親手摘要、改寫，不僅耗時，也容易陷入資訊的迷霧。如...

    試讀
  • 洪錦魁
    深智數位股份有限公司
    電子書： NT$ 552

    Excel VBA最強入門邁向頂尖高手之路 全彩印刷 第2版 ☆★☆【功能最多】、【內容最完整】☆★☆ ☆★☆【基礎入門】、【AI輔助學習】、【專題實作】☆★☆ ☆★☆【41個...

    試讀
  • C. C. Hsieh
    PNFORCE
    電子書： NT$ 149

    當全世界都在談論AI，真正決定未來十年產業版圖的「量子決勝點」已經出現。 本書告別深奧理論，以最清晰的商業藍圖，全面解析量子運算在金融、醫療、半導...

    試讀
  • 鄭苑鳳
    博碩文化
    出版日期：2025-05-28
    電子書： NT$ 620

    新手也能完成質感設計的全能入門書 你是否曾想創作吸睛的社群貼文、製作專業簡報、或快速完成影片與海報設計？而Canva就是你搞定所有的萬能教練。Canva...

    試讀
  • 黃稟洲（Louis Huang）
    三采文化股份有限公司
    電子書： NT$ 585

    AI時代來臨，你要會寫提示詞！ 2000件AI生圖應用，提高創作和生產效率 全書中英文提示詞，掃描書中QR code，立即下載使用 本書提煉AI核心亮點，直擊你學習痛...

    試讀
  • 洪錦魁
    深智數位股份有限公司
    出版日期：2021-10-01
    電子書： NT$ 560

    Excel入門到完整學習 邁向最強職場應用 王者歸來(第二版) ★★★★★【全彩圖解】【752頁內容】★★★★★ ★★★★★【30個主題】【568個實例】★★★★★ ★★★★★【2500張Exc...

    試讀
  • 張盈冠 張微
    微十八講堂
    電子書： NT$ 620

    這是一本關於 SAP PP (Production Planning)生產規劃模組使用實務與參數設定的書。 由於市面上比較少人出書著墨在SAP PP模組,因此才野人獻曝地把過去所學及...

    試讀
  • 李明憲
    李明憲
    電子書： NT$ 880

    本書是第一本以繁體中文撰寫、專門針對 KADE 統計軟體的完整 Q 方法論教學指南。 Q 方法論在社會科學、教育研究、公共衛生與政策分析領域日益受到重視，但...

    試讀
  • 彭其捷
    博碩文化
    出版日期：2025-12-06
    電子書： NT$ 660

    資訊整合 × 適用情境 × 靈感啟發 × 商業圖表 Excel × Tableau靈活運用，提升數據分析及圖表美學能力 快速掌握資料分析力的視覺化關鍵技術

    試讀
  • 彭其捷 陳克勤
    博碩文化
    出版日期：2022-01-01
    電子書： NT$ 500

    本書是大數據視覺化類別銷售第一的《Excel+Tableau成功晉升資料分析師》、《Tableau資料分析師進階高手養成實戰經典》的進階系列著作，這本大數據人工智慧人...

    試讀
  • 田中系統技術團隊
    白象文化
    出版日期：2024-02-22
    電子書： NT$ 224

    在這個追求效率的時代，請盡快將AppSheet融入您的工作中！ 自由創建您專屬的企業應用程式，不要再浪費時間做可以被程式取代的事情。

    試讀
  • 洪錦魁
    深智數位股份有限公司
    出版日期：2021-05-01
    電子書： NT$ 496

    【510個職場／商業實例】 【表格運算】 出差費 保險費給付計算 超商來客數累計 找出優秀的業務 連鎖店業績總計 【基礎數值計算】 發票含稅與未稅計算...

    試讀

    • 詳細資訊

    "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"

    目錄列表

  • 目錄
    1. 目錄
      1. 第1章 機器學習基本觀念
        1. 1-1 人工智慧、機器學習、深度學習
        2. 1-2 認識機器學習
        3. 1-3 機器學習的種類
          1. 1-3-1 監督學習
          2. 1-3-2 無監督學習
          3. 1-3-3 強化學習
        4. 1-4 機器學習的應用範圍
        5. 1-5 深度學習
      2. 第2章 機器學習的基礎數學
        1. 2-1 用數字描繪事物
        2. 2-2 變數觀念
        3. 2-3 從變數到函數
        4. 2-4 等式運算的規則
        5. 2-5 代數運算的基本規則
        6. 2-6 用數學抽象化開餐廳的生存條件
          1. 2-6-1 數學模型
          2. 2-6-2 經營數字預估
          3. 2-6-3 經營績效的計算
        7. 2-7 基礎數學的結論
      3. 第3章 認識方程式／函數／座標圖形
        1. 3-1 認識方程式
        2. 3-2 方程式文字描述方法
        3. 3-3 一元一次方程式
        4. 3-4 函數
        5. 3-5 座標圖形分析
          1. 3-5-1 座標圖形與線性關係
          2. 3-5-2 斜率與截距的意義
          3. 3-5-3 細看斜率
          4. 3-5-4 細看截距
          5. 3-5-5 細看截距
        6. 3-6 將線性函數應用在機器學習
          1. 3-6-1 再看直線函數與斜率
          2. 3-6-2 機器學習與線性迴歸
          3. 3-6-3 相同斜率平行移動
          4. 3-6-4 不同斜率與相同截距
          5. 3-6-5 不同斜率與不同截距
        7. 3-7 二元函數到多元函數
          1. 3-7-1 二元函數基本觀念
          2. 3-7-2 二元函數的圖形
          3. 3-7-3 等高線圖
          4. 3-7-4 多元函數
        8. 3-8 Sympy模組
          1. 3-8-1 定義符號
          2. 3-8-2 name屬性
          3. 3-8-3 定義多個符號變數
          4. 3-8-4 符號的運算
          5. 3-8-5 將數值代入公式
          6. 3-8-6 將字串轉為數學表達式
          7. 3-8-7 Sympy模組支援的數學函數
          8. 3-8-8 解一元一次方程式
      4. 第4章 從聯立方程式看機器學習的數學模型
        1. 4-1 數學觀念建立連接兩點的直線
          1. 4-1-1 基礎觀念
          2. 4-1-2 聯立方程式
          3. 4-1-3 使用加減法解聯立方程式
          4. 4-1-4 使用代入法解聯立方程式
          5. 4-1-5 使用Sympy解聯立方程式
        2. 4-2 機器學習使用聯立方程式推估數據
          1. 4-2-1 基本觀念
          2. 4-2-2 數據推估
        3. 4-3 從2條直線的交叉點推估科學數據
          1. 4-3-1 雞兔同籠
          2. 4-3-2 達成業績目標
        4. 4-4 兩條直線垂直交叉
          1. 4-4-1 基礎觀念
          2. 4-4-2 求解座標某一點至一條線的垂直線
      5. 第5章 從畢氏定理看機器學習
        1. 5-1 驗證畢氏定理
          1. 5-1-1 認識直角三角形
          2. 5-1-2 驗證畢氏定理
        2. 5-2 將畢氏定理應用在性向測試
          1. 5-2-1 問題核心分析
          2. 5-2-2 數據運算
        3. 5-3 將畢氏定理應用在三維空間
        4. 5-4 將畢氏定理應用在更高維的空間
        5. 5-5 電影分類
          1. 5-5-1 規劃特徵值
          2. 5-5-3 專案程式實作
          3. 5-5-4 電影分類結論
        6. 5-6 計算兩個向量的歐幾里德距離
      6. 第6章 聯立不等式與機器學習
        1. 6-1 聯立不等式與機器學習
        2. 6-2 再看聯立不等式的基本觀念
        3. 6-3 聯立不等式的線性規劃
          1. 6-3-1 案例分析
          2. 6-3-2 用聯立不等式表達
          3. 6-3-3 在座標軸上繪不等式的區域
          4. 6-3-4 目標函數
          5. 6-3-5 平行移動目標函數
          6. 6-3-6 將交叉點座標代入目標函數
        4. 6-4 Python計算
      7. 第7章 機器學習需要知道的二次函數
        1. 7-1 二次函數的基礎數學
          1. 7-1-1 解一元二次方程式的根
          2. 7-1-2 繪製一元二次方程式的圖形
          3. 7-1-3 一元二次方程式的最小值與最大值
          4. 7-1-4 一元二次函數參數整理
          5. 7-1-5 一元三次函數的圖形特徵
        2. 7-2 從一次到二次函數的實務
          1. 7-2-1 呈現好的變化
          2. 7-2-2 呈現不好的變化
        3. 7-3 認識二次函數的係數
        4. 7-4 使用3個點求解一元二次函數
          1. 7-4-1 手動求解一元二次函數
          2. 7-4-2 程式求解一元二次函數
          3. 7-4-3 繪製一元二次函數
          4. 7-4-4 使用業績回推應有的拜訪次數
        5. 7-5 二次函數的配方法
          1. 7-5-1 基本觀念
          2. 7-5-2 配方法
          3. 7-5-3 從標準式計算二次函數的最大值
          4. 7-5-4 從標準式計算二次函數的最小值
        6. 7-6 二次函數與解答區間
          1. 7-6-1 行銷問題分析
          2. 7-6-2 二次函數分析增加業績的臉書行銷次數
          3. 7-6-3 將不等式應用在條件區間
          4. 7-6-4 非實數根
      8. 第8章 機器學習的最小平方法
        1. 8-1 最小平方法基本觀念
          1. 8-1-1 基本觀念
          2. 8-1-2 數學觀點
        2. 8-2 簡單的企業實例
        3. 8-3 機器學習建立含誤差值的線性方程式
          1. 8-3-1 觀念啟發
          2. 8-3-2 三項和的平方
          3. 8-3-3 公式推導
          4. 8-3-4 使用配方法計算直線的斜率和截距
        4. 8-4 Numpy實作最小平方法
        5. 8-5 線性迴歸
        6. 8-6 實務應用
      9. 第9章 機器學習必須懂的集合
        1. 9-1 使用Python建立集合
          1. 9-1-1 使用{ }建立集合
          2. 9-1-2 集合元素是唯一
          3. 9-1-3 使用set( )建立集合
          4. 9-1-4 集合的基數(cardinality)
          5. 9-1-5 建立空集合要用set( )
          6. 9-1-6 大數據資料與集合的應用
        2. 9-2 集合的操作
          1. 9-2-1 交集(intersection)
          2. 9-2-2 聯集(union)
          3. 9-2-3 差集(difference)
          4. 9-2-4 對稱差集(symmetric difference)
        3. 9-3 子集、宇集與補集
          1. 9-3-1 子集
          2. 9-3-2 宇集
          3. 9-3-3 補集
        4. 9-4 加入與刪除集合元素
        5. 9-5 冪集與Sympy 模組
          1. 9-5-1 Sympy模組與集合
          2. 9-5-2 建立冪集
          3. 9-5-3 冪集的元素個數
        6. 9-6 笛卡兒積
          1. 9-6-1 集合相乘
          2. 9-6-2 集合的n次方
      10. 第10章 機器學習必須懂的排列與組合
        1. 10-1 排列基本觀念
          1. 10-1-1 實驗與事件
          2. 10-2-2 事件結果
        2. 10-2 有多少條回家路
        3. 10-3 排列組合
        4. 10-4 階乘的觀念
        5. 10-5 重複排列
        6. 10-6 組合
      11. 第11章 機器學習需要認識的機率
        1. 11-1 機率基本觀念
        2. 11-2 數學機率與統計機率
        3. 11-3 事件機率名稱
        4. 11-4 事件機率規則
          1. 11-4-1 不發生機率
          2. 11-4-2 機率相加
          3. 11-4-3 機率相乘
          4. 11-4-4 常見的陷阱
        5. 11-5 抽獎的機率－加法與乘法綜合應用
        6. 11-6 餘事件與乘法的綜合應用
        7. 11-7 條件機率
          1. 11-7-1 基礎觀念
          2. 11-7-2 再談實例
        8. 11-8 貝氏定理
          1. 11-8-1 基本觀念
          2. 11-8-2 用實例驗證貝氏定理
          3. 11-8-3 貝式定理的運用COVID-19的全民普篩準確性推估
          4. 11-8-4 再看一個醫學實例
          5. 11-8-5 貝氏定理篩選垃圾電子郵件基礎觀念
          6. 11-8-6 垃圾郵件分類專案實作
        9. 11-9 蒙地卡羅模擬
        10. 11-10 Numpy的隨機模組random
          1. 11-10-1 np.random.rand( )
          2. 11-10-2 np.random.randint( )
          3. 11-10-3 np.random.seed( )
          4. 11-10-4 np.random.shuffle( )
          5. 11-10-5 np.random.choice( )
          6. 11-10-6 使用隨機數陣列產生圖像
      12. 第12章 二項式定理
        1. 12-1 二項式的定義
        2. 12-2 二項式的幾何意義
        3. 12-3 二項式展開與規律性分析
        4. 12-4 找出xn-kyk項的係數
          1. 12-4-1 基礎觀念
          2. 12-4-2 組合數學觀念
          3. 12-4-3 係數公式推導與驗證
        5. 12-5 二項式的通式
          1. 12-5-1 驗證頭尾係數比較
          2. 12-5-2 中間係數驗證
        6. 12-6 二項式到多項式
        7. 12-7 二項分佈實驗
        8. 12-8 將二項式觀念應用在業務數據分析
          1. 12-8-1 每5次銷售0張考卷的機率
          2. 12-8-2 每5次銷售1張考卷的機率
          3. 12-8-3 每5次銷售2張考卷的機率
          4. 12-8-4 每5次銷售0-2張考卷的機率
          5. 12-8-5 列出拜訪5次銷售k張考卷的機率通式
        9. 12-9 二項式機率分佈Python實作
        10. 12-10 Numpy隨機數模組的binomial( )函數
          1. 12-10-1 視覺化模組Seaborn
          2. 12-10-2 Numpy的二項式隨機函數binomial
      13. 第13章 指數觀念與指數函數
        1. 13-1 認識指數函數
          1. 13-1-1 基礎觀念
          2. 13-1-2 複利計算實例
          3. 13-1-3 病毒複製
          4. 13-1-4 指數應用在價值衰減
          5. 13-1-5 用指數觀念看iPhone容量
        2. 13-2 指數運算的規則
        3. 13-3 指數函數的圖形
          1. 13-3-1 底數是變數的圖形
          2. 13-3-2 指數冪是實數變數
          3. 13-3-3 指數冪是實數變數但是底數小於1
      14. 第14章 對數(logarithm)
        1. 14-1 認識對數函數
          1. 14-1-1 對數的由來
          2. 14-1-2 從數學看指數的運作觀念
          3. 14-1-3 再看對數函數
          4. 14-1-4 天文數字的處理
          5. 14-1-5 Python的對數函數應用
        2. 14-2 對數表的功能
          1. 14-2-1 對數表基礎應用
          2. 14-2-2 更精確的對數表
        3. 14-3 對數運算可以解決指數運算的問題
          1. 14-3-1 用指數處理相當數值的近似值
          2. 14-3-2 使用對數簡化運算
        4. 14-4 認識對數的特性
        5. 14-5 對數的運算規則與驗證
          1. 14-5-1 等號兩邊使用對數處理結果不變
          2. 14-5-2 對數的真數是1
          3. 14-5-3 對數的底數等於真數
          4. 14-5-4 對數內真數的指數可以移到外面
          5. 14-5-5 對數內真數是兩數據相乘結果是兩數據各取對數後再相加
          6. 14-5-6 對數內真數是兩數據相除結果是兩數據先取對數後再相減
          7. 14-5-7 底數變換
      15. 第15章 歐拉數與邏輯函數
        1. 15-1 認識歐拉數
          1. 15-1-1 認識歐拉數
          2. 15-1-2 歐拉數的緣由
          3. 15-1-3 歐拉數使用公式做定義
          4. 15-1-4 計算與繪製歐拉數的函數圖形
        2. 15-2 邏輯函數
          1. 15-2-1 認識邏輯函數
          2. 15-2-2 x是正無限大
          3. 15-2-3 x是0
          4. 15-2-4 x是負無限大
          5. 15-2-5 繪製邏輯函數
          6. 15-2-6 Sigmoid函數
        3. 15-3 logit函數
          1. 15-3-1 認識Odds
          2. 15-3-2 從Odds到logit函數
          3. 15-3-3 繪製logit函數
        4. 15-4 邏輯函數的應用
          1. 15-4-1 事件說明與分析
          2. 15-4-2 從邏輯函數到logit函數
          3. 15-4-3 使用logit函數獲得係數
      16. 第16章 三角函數
        1. 16-1 直角三角形的邊長與夾角
        2. 16-2 三角函數的定義
        3. 16-3 計算三角形的面積
          1. 16-3-1 計算直角三角形面積
          2. 16-3-2 計算非直角三角形面積
        4. 16-4 角度與弧度
          1. 16-4-1 角度的定義
          2. 16-4-2 弧度的由來
          3. 16-4-3 角度與弧度的換算
          4. 16-4-4 圓周弧長的計算
          5. 16-4-5 計算扇形面積
        5. 16-5 程式處理三角函數
        6. 16-6 從單位圓看三角函數
        7. 16-7 三角函數與機器學習的關係
      17. 第17章 基礎統計與大型運算子
        1. 17-1 母體與樣本
        2. 17-2 數據加總
        3. 17-3 數據分佈
        4. 17-4 數據中心指標
          1. 17-4-1 平均數(mean)
          2. 17-4-2 中位數(median)
          3. 17-4-3 眾數(mode)
          4. 17-4-4 統計模組statistics的眾數
          5. 17-4-5 分數分佈圖
        5. 17-5 數據分散指標
          1. 17-5-1 變異數
          2. 17-5-2 標準差
        6. 17-6 Σ符號運算規則與驗證
        7. 17-7 活用Σ符號
        8. 17-8 迴歸分析
          1. 17-8-1 相關係數(Correlation Coefficient)
          2. 17-8-2 建立線性迴歸模型與數據預測
          3. 17-8-3 二次函數的迴歸模型
        9. 17-9 隨機函數的分佈
          1. 17-9-1 randn( )
          2. 17-9-2 normal( )
          3. 17-9-3 uniform( )
      18. 第18章 機器學習的向量
        1. 18-1 向量的基礎觀念
          1. 18-1-1 機器學習的向量知識
          2. 18-1-2 認識純量
          3. 18-1-3 認識向量
          4. 18-1-4 向量表示法
          5. 18-1-5 計算向量分量
          6. 18-1-6 相對位置的向量
          7. 18-1-7 不同路徑的向量運算
        2. 18-2 向量加法的規則
        3. 18-3 向量的長度
        4. 18-4 向量方程式
          1. 18-4-1 直線方程式
          2. 18-4-2 Python實作連接2點的方程式
          3. 18-4-3 使用向量建立迴歸直線的理由
        5. 18-5 向量內積
          1. 18-5-1 協同工作的觀念
          2. 18-5-2 計算B所幫的忙
          3. 18-5-3 向量內積的定義
          4. 18-5-4 兩條直線的夾角
          5. 18-5-5 向量內積的性質
          6. 18-5-6 餘弦相似度
        6. 18-6 皮爾遜相關係數
          1. 18-6-1 皮爾遜相關係數定義
          2. 18-6-2 網路購物問卷調查案例解說
          3. 18-6-3 向量內積計算係數
        7. 18-7 向量外積
          1. 18-7-1 法線向量
          2. 18-7-2 計算面積
      19. 第19章 機器學習的矩陣
        1. 19-1 矩陣的表達方式
          1. 19-1-1 矩陣的行與列方式
          2. 19-1-2 矩陣變數名稱
          3. 19-1-3 常見的矩陣表達方式
          4. 19-1-4 矩陣元素表達方式
        2. 19-2 矩陣相加與相減
          1. 19-2-1 基礎觀念
          2. 19-2-2 Python實作
        3. 19-3 矩陣乘以實數
        4. 19-4 矩陣乘法
          1. 19-4-1 乘法基本規則
          2. 19-4-2 乘法案例
          3. 19-4-3 矩陣乘法規則
        5. 19-5 方形矩陣
        6. 19-6 單位矩陣
        7. 19-7 反矩陣
          1. 19-7-1 基礎觀念
          2. 19-7-2 Python實作
        8. 19-8 用反矩陣解聯立方程式
        9. 19-9 張量(Tensor)
        10. 19-10 轉置矩陣
          1. 19-10-1 基礎觀念
          2. 19-10-2 Python實作
          3. 19-10-3 轉置矩陣的規則
          4. 19-10-4 轉置矩陣的應用
      20. 第20章 向量、矩陣與多元線性迴歸
        1. 20-1 向量應用在線性迴歸
        2. 20-2 向量應用在多元線性迴歸
        3. 20-3 矩陣應用在多元線性迴歸
        4. 20-4 將截距放入矩陣
        5. 20-5 簡單的線性迴歸
      21. 第21章 三次函數迴歸曲線的程式實作
        1. 21-1 繪製數據的散點圖
        2. 21-2 三次函數的迴歸曲線模型
        3. 21-3 使用scikit-learn模組評估迴歸模型
          1. 21-3-1 評估機器學習模型的概念
          2. 21-3-2 評估模型
        4. 21-4 預測未來值
        5. 21-5 不適合的三次函數迴歸數據
          1. 21-5-1 繪製三次函數迴歸線
          2. 21-5-2 計算R平方判定係數
      22. 第22章 機器學習使用scikit-learn入門
        1. 22-1 scikit-learn的歷史
        2. 22-2 機器學習的數據集
          1. 22-2-1 scikit-learn內建的數據集
          2. 22-2-2 Kaggle數據集
          3. 22-2-3 UCI數據集
          4. 22-2-4 scikit-learn函數生成數據
        3. 22-3 scikit-learn生成數據實作
          1. 22-3-1 線性分佈數據
          2. 22-3-2 群集分佈數據
          3. 22-3-3 交錯半月群集數據
          4. 22-3-4 環形結構分佈的群集數據
          5. 22-3-5 產生n-class分類數據集
        4. 22-4 scikit-learn數據預處理
          1. 22-4-1 標準化數據StandardScaler
          2. 22-4-2 設定數據區間MinMaxScaler
          3. 22-4-3 特殊數據縮放RobustScaler
        5. 22-5 機器學習scikit-learn 入門
          1. 22-5-1 身高與體重的資料
          2. 22-5-2 線性擬合數據LinearRegression
          3. 22-5-3 資料預測predict( )
          4. 22-5-4 模型的儲存與開啟
          5. 22-5-5 計算線性迴歸線的斜率和截距
          6. 22-5-6 R平方判定係數檢驗模型的性能
        6. 22-6 分類演算法－機器學習模型的性能評估
          1. 22-6-1 計算精確度accuracy_score( )
          2. 22-6-2 召回率recall_score( )
          3. 22-6-3 F1分數f1_score( )
          4. 22-6-4 分類報告classification_report( )
          5. 22-6-5 混淆矩陣confusion_matrix( )
          6. 22-6-6 ROC_AUC分數
        7. 22-7 機器學習必需會的非數值資料轉換
          1. 22-7-1 One-hot編碼
          2. 22-7-2 特徵名稱由中文改為英文
          3. 22-7-3 資料對應map( ) 方法
          4. 22-7-4 標籤轉換LabelEncoder( )
        8. 22-8 機器學習演算法
        9. 22-9 使用隨機數據學習線性迴歸
          1. 22-9-1 建立訓練數據與測試數據使用train_test_split( )
          2. 22-9-2 迴歸模型判斷
          3. 22-9-3 score( )和r2_score( )方法的差異
      23. 第23章 線性迴歸－波士頓房價
        1. 23-1 從線性迴歸到多元線性迴歸
          1. 23-1-1 簡單線性迴歸
          2. 23-1-2 多元線性迴歸
        2. 23-2 簡單資料測試
          1. 23-2-1 身高、腰圍與體重的測試
          2. 23-2-2 了解模型的優劣
        3. 23-3 波士頓房價數據集
          1. 23-3-1 認識波士頓房價數據集
          2. 23-3-2 輸出數據集
        4. 23-4 用Pandas顯示與預處理數據
          1. 23-4-1 用Pandas顯示波士頓房價數據
          2. 23-4-2 將房價加入DataFrame
          3. 23-4-3 數據清洗
        5. 23-5 特徵選擇
        6. 23-6 使用最相關的特徵做房價預估
          1. 23-6-1 繪製散點圖
          2. 23-6-2 建立模型獲得R平方判定係數、截距與係數
          3. 23-6-3 計算預估房價
          4. 23-6-4 繪製實際房價與預估房價
          5. 23-6-5 繪製3D的實際房價與預估房價
        7. 23-7 多項式迴歸
          1. 23-7-1 繪製散點圖和迴歸直線
          2. 23-7-2 多項式迴歸公式
          3. 23-7-3 生成一元二次迴歸公式的多個特徵項目
          4. 23-7-4 多項式特徵應用在LinearRegression
          5. 23-7-5 機器學習理想模型
          6. 23-7-6 多元多項式的迴歸模型
          7. 23-7-7 繪製3D的實際房價與預估房價
        8. 23-8 用所有特徵執行波士頓房價預估
        9. 23-9 殘差圖(Residual plot)
        10. 23-10 梯度下降迴歸SGDRegressor( )
      24. 第24章 邏輯迴歸－信用卡／葡萄酒／糖尿病
        1. 24-1 淺談線性迴歸的問題
        2. 24-2 邏輯迴歸觀念回顧
          1. 24-2-1 基礎觀念複習
          2. 24-2-2 應用邏輯函數
          3. 24-2-3 線性迴歸與邏輯迴歸的差異
        3. 24-3 邏輯迴歸模型基礎應用
          1. 24-3-1 語法基礎
          2. 24-3-2 多分類演算法解說
        4. 24-4 台灣信用卡持卡人數據集
          1. 24-4-1 認識UCI_Credit_Card.csv數據
          2. 24-4-2 挑選最重要的特徵
          3. 24-4-3 用最相關的2個特徵設計邏輯迴歸模型
          4. 24-4-4 使用全部的特徵設計邏輯迴歸模型
        5. 24-5 葡萄酒數據
          1. 24-5-1 認識葡萄酒數據
          2. 24-5-2 使用邏輯迴歸演算法執行葡萄酒分類
        6. 24-6 糖尿病數據
          1. 24-6-1 認識糖尿病數據
          2. 24-6-2 缺失值檢查與處理
          3. 24-6-3 用直方圖了解特徵分佈
          4. 24-6-4 用所有特徵值做糖尿病患者預估
          5. 24-6-5 繪製皮爾遜相關係數熱圖
          6. 24-6-6 用最相關的皮爾遜係數做糖尿病預估
      25. 第25章 決策樹－葡萄酒／鐵達尼號／Telco／Retail
        1. 25-1 決策樹基本觀念
          1. 25-1-1 決策樹應用在分類問題
          2. 25-1-2 決策樹應用在迴歸問題
        2. 25-2 從天氣數據認識決策樹設計流程－分類應用
          1. 25-2-1 建立決策樹模型物件
          2. 25-2-2 天氣數據實例
        3. 25-3 葡萄酒數據－分類應用
          1. 25-3-1 預設條件處理葡萄酒數據
          2. 25-3-2 進一步認識決策樹深度
          3. 25-3-3 繪製決策樹圖
        4. 25-4 鐵達尼號－分類應用
          1. 25-4-1 認識鐵達尼號數據集
          2. 25-4-2 決策樹設計鐵達尼號生存預測
          3. 25-4-3 交叉分析
        5. 25-5 Telco電信公司－分類應用
          1. 25-5-1 認識UCI_Credit_Card.csv數據
          2. 25-5-2 決策樹數據分析
          3. 25-5-3 了解特徵對模型的重要性
          4. 25-5-4 交叉驗證 - 決策樹最佳深度調整
        6. 25-6 Retail Data Analytics－迴歸應用
          1. 25-6-1 用簡單的數據預估房價
          2. 25-6-2 Retail Data Analytics數據
      26. 第26章 隨機森林樹－波士頓房價／鐵達尼號／Telco／收入分析
        1. 26-1 隨機森林樹基本觀念
        2. 26-2 波士頓房價－迴歸應用
        3. 26-3 鐵達尼號－分類應用
        4. 26-4 Telco客戶流失－分類應用
        5. 26-5 美國成年人收入分析－分類應用
          1. 26-5-1 認識adult.csv數據
          2. 26-5-2 使用決策樹處理年收入預估
          3. 26-5-3 決策樹特徵重要性
          4. 26-5-4 使用隨機森林樹處理adult.csv檔案
      27. 第27章 KNN演算法／鳶尾花／小行星撞地球
        1. 27-1 KNN演算法基礎觀念
        2. 27-2 電影推薦／足球射門 - 分類應用
          1. 27-2-1 認識語法與簡單實例
          2. 27-2-2 電影推薦
          3. 27-2-3 足球射門是否進球
          4. 27-2-4 繪製分類的決策邊界(Decision Boundary)
          5. 27-2-5 多分類模型的準確率分析
        3. 27-3 房價計算／選舉準備香腸－迴歸應用
          1. 27-3-1 認識語法與簡單實例
          2. 27-3-2 房價計算
          3. 27-3-3 選舉造勢與準備烤香腸數量
          4. 27-3-4 KNN模型的迴歸線分析
        4. 27-4 鳶尾花數據－分類應用
          1. 27-4-1 認識鳶尾花數據集
          2. 27-4-2 輸出數據集
          3. 27-4-3 用Pandas顯示鳶尾花數據
          4. 27-4-4 映射標籤
          5. 27-4-5 繪製特徵變數的散點圖
          6. 27-4-6 繪製鳶尾花的決策邊界
          7. 27-4-7 計算最優的k值
        5. 27-5 小行星撞地球 – 分類應用
          1. 27-5-1 認識NASA Asteroids Classification
          2. 27-5-2 數據預處理
          3. 27-5-3 預測小行星撞地球的準確率
      28. 第28章 支援向量機－鳶尾花／乳癌／汽車燃料
        1. 28-1 支援向量機的基礎觀念
          1. 28-1-1 支援向量機的基礎觀念
          2. 28-1-2 最大區間的分割
          3. 28-1-3 認識支援向量／決策邊界／與超平面
          4. 28-1-4 超平面公式
        2. 28-2 支援向量機－分類應用的基礎實例
          1. 28-2-1 繪製10個數據點
          2. 28-2-2 支援向量機的語法說明
          3. 28-2-3 推導超平面的斜率
          4. 28-2-4 繪製超平面和決策邊界
          5. 28-2-5 數據分類
          6. 28-2-6 decision_function( )
        3. 28-3 從2維到3維的超平面
          1. 28-3-1 增加數據維度
          2. 28-3-2 計算3維的超平面公式與係數
          3. 28-3-3 繪製3維的超平面
        4. 28-4 認識核函數
          1. 28-4-1 linear
          2. 28-4-2 徑向基函數(Radial basic function) －rbf
          3. 28-4-3 多項式函數(Polynomail function) －poly
          4. 28-4-4 支援向量機的方法
        5. 28-5 鳶尾花數據－分類應用
        6. 28-6 乳癌數據－分類應用
          1. 28-6-1 認識數據
          2. 28-6-2 線性支援向量機預測乳癌數據
          3. 28-6-3 不同核函數應用在乳癌數據
        7. 28-7 支援向量機－迴歸應用的基礎實例
          1. 28-7-1 SVR( ) 語法說明
          2. 28-7-2 簡單數據應用
          3. 28-7-3 電視購物廣告效益分析
        8. 28-8 汽車燃耗效率數據集－迴歸分析
          1. 28-8-1 認識汽車燃耗效率數據集
          2. 28-8-2 使用SVR( )預測汽車燃料數據
      29. 第29章 單純貝式分類－垃圾郵件／新聞分類／電影評論
        1. 29-1 單純貝式分類原理
          1. 29-1-1 公式說明
          2. 29-1-2 簡單實例說起
          3. 29-1-3 拉普拉斯平滑修正
        2. 29-2 詞頻向量模組- CountVerctorizer
        3. 29-3 多項式單純貝式模組 - MultinomialNB
          1. 29-3-1 語法觀念
          2. 29-3-2 文章分類實作
          3. 29-3-3 垃圾郵件分類
          4. 29-4 垃圾郵件分類－Spambase數據集
          5. 29-4-1 認識垃圾郵件數據集Spambase
          6. 29-4-2 垃圾郵件分類預測
        4. 29-5 新聞郵件分類－新聞數據集20newsgroups
          1. 29-5-1 認識新聞數據集20newsgroups
          2. 29-5-2 新聞分類預測
          3. 29-5-3 TfidfVectorizer模組－文件事前處理TF－IDF
          4. 29-5-4 輸入文件做新聞分類
        5. 29-6 情感分析－電影評論IMDB Dataset分析
          1. 29-6-1 基礎觀念實例
          2. 29-6-2 電影評論IMDB Dataset數據集
        6. 29-7 單純貝式分類於中文的應用
          1. 29-7-1 將中文字串應用在CountVectorizer模組
          2. 29-7-2 jieba–結巴
          3. 29-7-3 jieba與CountVectorizer組合應用
          4. 29-7-4 簡單中文情感分析程式
        7. 29-8 今日頭條數據集
          1. 29-8-1 認識數據集
          2. 29-8-2 今日頭條數據集實作
      30. 第30章 集成機器學習－蘑菇／醫療保險／玻璃／加州房價
        1. 30-1 集成學習的基本觀念
          1. 30-1-1 基本觀念
          2. 30-1-2 集合學習效果評估
        2. 30-2 集成學習－投票法Voting(鳶尾花／波士頓房價)
          1. 30-2-1 投票法－分類應用
          2. 30-2-2 投票法－迴歸應用
        3. 30-3 集成學習－裝袋法Bagging (蘑菇／醫療保險)
          1. 30-3-1 裝袋法－分類應用語法說明
          2. 30-3-2 蘑菇數據分類應用
          3. 30-3-3 裝袋法－迴歸應用語法說明
          4. 30-3-4 醫療保險數據迴歸應用
        4. 30-4 集成學習－提升法AdaBoost(糖尿病／波士頓房價)
          1. 30-4-1 AdaBoost提升法－分類應用語法說明
          2. 30-4-2 AdaBoost提升法－迴歸應用語法說明
        5. 30-5 集成學習－提升法Gradient Boosting(玻璃／加州房價)
          1. 30-5-1 Gradient Boosting－分類應用語法說明
          2. 30-5-2 玻璃數據集分類的應用
          3. 30-5-3 GradientBoostin－迴歸應用語法說明
          4. 30-5-4 加州房價數據集迴歸應用
        6. 30-6 集成學習–堆疊法Stacking(信用卡違約／房價預估)
          1. 30-6-1 StackingClassifier－分類應用語法說明
          2. 30-6-2 RidgeCV( )
          3. 30-6-3 StackingRegressor–迴歸應用語法說明
      31. 第31章 K-means分群－購物中心消費／葡萄酒評價
        1. 31-1 認識無監督學習
          1. 31-1-1 回顧監督學習數據
          2. 31-1-2 無監督學習數據
          3. 31-1-3 無監督學習與監督學習的差異
          4. 31-1-4 無監督學習的應用
        2. 31-2 K-means演算法
          1. 31-2-1 演算法基礎
          2. 31-2-2 Python 硬功夫程式實作
        3. 31-3 scikit-learn的KMeans模組
          1. 31-3-1 KMeans 語法
          2. 31-3-2 分群的基礎實例
          3. 31-3-3 數據分群的簡單實例
        4. 31-4 評估分群的效能
          1. 31-4-1 群內平方和(WCSS)
          2. 31-4-2 輪廓係數(Silhouetie Coefficient)
          3. 31-4-3 調整蘭德係數(Adjusted Rand Index，ARI)
        5. 31-5 最佳群集數量
          1. 31-5-1 肘點法(Elbow Method)
          2. 31-5-2 輪廓分析(Silhouetie Analysis)
        6. 31-6 消費分析－購物中心客戶消費數據
          1. 31-6-1 認識Mall Customer Segmentation Data
          2. 31-6-2 收入與消費分群
          3. 31-6-3 依據性別分析「年收入 vs 消費力」
          4. 31-6-4 依據年齡層分析「年收入 vs 消費力」
        7. 31-7 價格 vs 評價－葡萄酒Wine Reviews
          1. 31-7-1 認識Wine Reviews數據
      32. 第32章 PCA主成份分析–手寫數字／人臉數據
        1. 32-1 PCA基本觀念
          1. 32-1-1 基本觀念
          2. 32-1-2 PCA方法與基礎數據實作
          3. 32-1-3 數據白化whiten
        2. 32-2 鳶尾花數據的PCA應用
          1. 32-2-1 鳶尾花數據降維
          2. 32-2-2 SVC與PCA在鳶尾花的應用
          3. 32-2-3 PCA主成份與原始特徵的分析
        3. 32-3 數字辨識－手寫數字digits dataset
          1. 32-3-1 認識手寫數字數據集digits dataset
          2. 32-3-2 決策樹與隨機森林樹辨識手寫數字
          3. 32-3-3 PCA與手寫數字整合應用
        4. 32-4 人臉辨識－人臉數據Labeled Faces in the Wild
          1. 32-4-1 認識人臉數據LFW
          2. 32-4-2 人臉辨識預測
          3. 32-4-3 加上PCA的人臉辨識
      33. 第33章 階層式分層－小麥數據／老實泉
        1. 33-1 認識階層式分群
        2. 33-2 凝聚型(Agglomerative) 分群
          1. 33-2-1 凝聚型分群定義
          2. 33-2-2 簡單實例解說linkage( ) 方法
          3. 33-2-3 單鏈接法(Single Linkage) 說明
          4. 33-2-4 簡單實例解說分群方法
          5. 33-2-5 分群方法ward( )
          6. 33-2-6 分群數量的方法
          7. 33-2-7 凝聚型分群AgglomerativeClustering
        3. 33-3 小麥數據集Seeds dataset
          1. 33-3-1 認識數據集Seeds dataset
          2. 33-3-2 凝聚型分群應用在Seeds dataset
        4. 33-4 老實泉數據Old Faithful Geyser Data
          1. 33-4-1 認識老實泉數據集
          2. 33-4-2 繪製樹狀圖
          3. 33-4-3 凝聚型分群應用在老實泉數據
      34. 第34章 DBSCAN演算法－購物中心客戶分析
        1. 34-1 DBSCAN演算法
          1. 34-1-1 DBSCAN演算法的參數觀念
          2. 34-1-2 點的定義
          3. 34-1-3 演算法的步驟
        2. 34-2 scikit-learn的DBSCAN模組
          1. 34-2-1 DBSCAN語法
          2. 34-2-2 DBSCAN演算法基礎實例
        3. 34-3 消費分析－購物中心客戶消費數據
      35. 第35章 語音辨識
        1. 35-1 語音轉文字
          1. 35-1-1 建立模組與物件
          2. 35-1-2 開啟音源
          3. 35-1-3 語音轉文字
        2. 35-2 文字轉語音
          1. 35-2-1 建立模組與物件
          2. 35-2-2 文字轉語音方法
          3. 35-2-3 輸出語音
      36. 附錄A 函數與方法索引表
      37. 附錄B 電子書－本書程式實例彩色執行結果圖表

    購買說明

    根據台灣現行法規，數位內容（ 如電子書、音樂、影片、遊戲、App ）形式之商品，不受「網購服務需提供七日鑑賞期」的限制。為維護您的權益，建議您先使用「試讀」功能後再付款購買。

    作者其他作品

    NotebookLM筆記術：打造你的AI「第二大腦」

    Nano Banana藝術宇宙－Veo x Sora：多模態AI創作時代

    Gemini x NotebookLM 領軍：Nano Banana x Imagen x Veo x Gem x Gemini Live - Google 多模態 AI 工作流

    Clean Code：Python 寫乾淨程式碼－告別技術債，不再為爛程式加班收爛攤

    ChatGPT 5 全能實戰：Agent、Prompt、Projects、Canvas、GPT、Sora - AI工作流

    MORE
    出版社簡介
    深智數位股份有限公司
    出版社作品

    生成式AI × 穩健提示爬蟲技術 I－數據抓取篇：爬蟲× OCR × 多模態API應用×Perplexity AI Comet Generative AI × Robust Prompted Sampling

    大型語言模型應用實戰：從Prompt Engineering到Agentic RAG與MCP

    NotebookLM筆記術：打造你的AI「第二大腦」

    更多出版社作品
    試讀