Readmoo 讀墨電子書
華文小說投票 每日優惠 版權到期
機器學習：最強入門邁向AI高手．王者歸來
0 則劃線
0 篇書評

機器學習：最強入門邁向AI高手．王者歸來

分類導覽 > 電腦科技 > 程式設計
  • 出版日期： 2024/12/18
  • 語言：繁體中文
  • 檔案大小：218.6MB
  • 商品格式：固定版面 EPUB
  • ISBN: 9786267569337
  • eISBN: 9786267569368
  • 頁數： 966
紙本書定價：NT$ 1080
電子書定價：NT$ 1080
電子書售價：NT$ 864
本書為固定版面 EPUB，建議您使用 mooInk Pro 系列、平板及電腦閱讀。

https://youtu.be/1s9CaTmY4RM

機器學習
最強入門邁向AI高手
王者歸來(全彩印刷)
內容簡介
★★★★★【數學原理 + 演算法 + 真實案例 + 專題實作】★★★★★
★★★★★【數學 x機率 x 統計 x 演算法】★★★★★
★★★★★【機器學習演算法 x AI專題】★★★★★

喜歡這本的人，也看了...

  • 黃子靜 張峮瑋
    深智數位股份有限公司
    電子書： NT$ 704

    ★國內金控現職量化交易研究人員傳授從量化分析到真實交易系統建置，一本書全學會 ☆量化統計專家 + 程式交易員共同帶你使用 Python 攻略台股量化分析及自動交...

    試讀
  • 洪錦魁（著）
    深智數位股份有限公司
    電子書： NT$ 576

    "★★★「程式設計不再孤軍奮戰，讓 AI 成為你的戰友！」★★★ ☆☆☆「用 VS Code + Copilot，讓寫程式變得像聊天一樣簡單！」☆☆☆ ★★★「專案實戰，立即上手，程式...

    試讀
  • 洪錦魁
    深智數位股份有限公司
    電子書： NT$ 576

    寫程式不是比誰先跑起來，而是能否長期維護。當需求一改就骨牌倒、長函式與巢狀條件像毛線球、沒有測試誰也不敢動，這些都是「技術債」。本書以實務為軸，從C...

    試讀
  • 胡嘉璽
    深智數位股份有限公司
    電子書： NT$ 864

    ►►►重量級Claude Code手冊◄◄◄ ►►►涵蓋最新更新Agent Skills內容◄◄◄ ►►►從新手晉升為高手◄◄◄ ★內容介紹 ☆Vibe Coding 時代第一名的 AI 開發助手 Claude ...

    試讀
  • 洪錦魁（著）
    深智數位股份有限公司
    電子書： NT$ 520

    https://youtu.be/aCXqTqqQzVY Gemini 3 x NotebookLM 領軍 Nano Banana Pro x Veo x Whisk x Flow x Gem Google 多模態 AI 工作流 本書內容 ☆★☆從 Gemini...

    試讀
  • 蔡易霖
    深智數位股份有限公司
    電子書： NT$ 632

    "全民瘋 AI 系列 - 經典機器學習 https://youtu.be/JAlwnGNOLsY ✴︎ 全方位解析AI應用，揭開機器學習開發中常見的十大新手陷阱。 ✴︎ 從模型訓練到實際落地...

    試讀
  • 洪錦魁
    深智數位股份有限公司
    電子書： NT$ 1024

    ◎ 台灣作者第一本「AI視覺」專書！五大最強亮點 ✔1. AI 影像技術全解析，從入門到頂尖高手 ✔2. 影像不只是影像，讓 AI 賦予它智慧與靈魂 ✔3. 數學、演算法...

    試讀
  • 洪錦魁
    深智數位股份有限公司
    電子書： NT$ 960

    ★★★★★【內容最多、範圍最廣】【40個主題】★★★★★ ★★★★★【程式實例最多】【超過1300個Python實例】★★★★★ ★★★★★【AI數據科學專題實戰】★★★★★ ★★★★★【420個是...

    試讀
  • 洪錦魁
    深智數位股份有限公司
    電子書： NT$ 624

    演算法 圖解原理 x Python實作 x 創意應用 王者歸來 (全彩印刷) 本書內容 ★★★★★【國內第1本演算法 + 創意實作】★★★★★ ★★★★★【彩色圖解演算法】【Python...

    試讀
  • 洪錦魁
    深智數位股份有限公司
    電子書： NT$ 632

    ►《AI之眼》—— AI視覺時代的必讀指南！◄ ►幻影操控 × AI變臉 × 人臉識別 × 手勢追蹤◄ ►解鎖 AI 影像技術 × Python打造 AI 創意應用！◄ 「AI變臉、表情分...

    試讀

    • 詳細資訊

    https://youtu.be/1s9CaTmY4RM

    機器學習
    最強入門邁向AI高手
    王者歸來(全彩印刷)
    內容簡介
    ★★★★★【數學原理 + 演算法 + 真實案例 + 專題實作】★★★★★
    ★★★★★【數學 x機率 x 統計 x 演算法】★★★★★
    ★★★★★【機器學習演算法 x AI專題】★★★★★


    AI時代的學習革命：用最簡單的方式掌握機器學習。
    機器學習已成為當今科技領域的核心技能，但艱澀的數學與複雜的概念常讓人望而卻步。本書以淺顯易懂的白話解釋，結合全彩圖表輔助教學，幫助讀者輕鬆入門、快速掌握機器學習的核心知識與應用技巧。

    本書特色
    ◎ 白話解釋機器學習：摒棄晦澀公式，以簡單明瞭的語言說明每個概念，配合豐富的全彩圖表，讓學習變得更輕鬆有趣。
    ◎ 基礎數學起步，實現 AI 場景應用：從基礎數學概念講解機器學習，逐步導入 AI 在生活中的實際應用，橋接理論與實務。
    ◎ 彩色圖解演算法，從小數據開始：用彩色圖像化的方式清晰呈現演算法的運作原理，並從簡單的小數據案例帶領讀者進入真實世界的應用。
    ◎ 實用程式碼範例：提供完整的 Python 程式碼範例，將理論知識與實務結合，幫助讀者快速上手，並理解如何將理論轉化為可行的程式解決方案。
    ◎ AI 專題實戰：涵蓋特徵選擇、模型選擇、超參數調整等進階主題，提供解決特定問題的策略與技巧，助力讀者邁向機器學習高手之路。

    數學場景 × AI 實例
    ◎ 方程式、一元到多元函數
    ★餐廳經營、業務員績效、網路行銷 ... 等。
    ◎ 最小平方法
    ★國際證照考卷銷售、房價預測、便利店銷售 ... 等。
    ◎ 機率與單純貝式理論
    ★疾病分析、客戶購買意願、垃圾郵件 ... 等。
    ◎ 指數、對數與激活函數
    ★廣告效果、回購率分析 ... 等。
    ◎ 基礎統計
    ★超商數據、考試成績 ... 等。
    ◎迴歸分析
    ★臉書行銷、冰品銷售、網站購物 ... 等。
    ◎向量與矩陣
    ★網購行為分析、推薦系統、家庭用電預測 ... 等。

    演算法原理 × AI 專題
    ◎ 房價預測
    ★ 波士頓房價
    ☆ 加州房價
    ◎ 葡萄酒專題
    ★ 葡萄酒分類與評價
    ◎ 醫療健康
    ★ 糖尿病診斷
    ☆ 乳腺癌檢測
    ★ 醫療保險分析
    ◎ 經典數據集
    ★ 鐵達尼號生存分析
    ☆ Telco 離網預測
    ★ 零售數據分析
    ◎ 信用風險與客戶分析
    ★ 信用卡欺詐偵測
    ☆ 購物中心客戶分群
    ◎ 科學與工程
    ★ 小行星撞地球風險預測
    ☆ 汽車燃料效率分析
    ◎ 文字與推薦系統
    ★ 新聞分類
    ☆ 情感分析
    ★ 電影推薦與評論
    ◎ 特色數據
    ★ 鳶尾花分類
    ☆ 蘑菇毒性判斷
    ★ 玻璃性質分析
    ◎ 圖像數據
    ★ 手寫數字識別
    ☆ 人臉數據分析
    ◎ 農業與食品
    ★ 小麥數據研究
    ☆ 老實泉噴發分析
    ◎ 體育與電子郵件
    ★ 足球射門分析
    ☆ 垃圾郵件過濾

    將理論融入實際，從數據出發探索機器學習的多元應用，這是您邁向 AI 高手的最佳起點！

    目錄列表

  • 目錄
    1. COVER
      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 用數學抽象化開餐廳的生存條件
          1. 2-4-1 數學模型
          2. 2-4-2 經營數字預估
          3. 2-4-3 經營績效的計算
          4. 2-4-4 情境分析 - 變數變化的影響
        5. 2-5 基礎數學的應用與總結
          1. 2-5-1 基礎數學的應用範例
          2. 2-5-2 基礎數學的總結
      3. 第3章 認識方程式、函數與座標圖形
        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y 截距
          5. 3-5-5 細看x 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 推導餐廳經營績效函數
          2. 4-2-2 餐廳經營績效數據推估
          3. 4-2-3 聯立方程式在線性模型中的應用
        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. 4-5 本章總結與下一步展望
      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
        7. 5-7 本章總結與應用展望
      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
        5. 6-5 聯立不等式的商業應用
          1. 6-5-1 廣告投入最佳分配
          2. 6-5-2 產品生產成本最小化
        6. 6-6 本章總結與應用展望
      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
          6. 7-1-6 二次函數在機器學習中的應用價值
        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 一元二次函數的配方法
          1. 7-5-1 基本觀念
          2. 7-5-2 配方法
          3. 7-5-3 從標準式計算一元二次函數的最大值 .
          4. 7-5-4 從標準式計算一元二次函數的最小值 .
        6. 7-6 一元二次函數與解答區間
          1. 7-6-1 行銷問題分析
          2. 7-6-2 一元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 便利商店飲料銷售實務應用
        7. 8-7 模型評估指標
          1. 8-7-1 認識模型評估指標
          2. 8-7-2 手工計算與程式執行房價模型評估
          3. 8-7-3 用模型評估指標檢視便利商店飲料銷售
      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
      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. 10-1-2 事件結果
          3. 10-1-3 機器學習應用場景
        2. 10-2 有多少條回家路
          1. 10-2-1 計算有多少條回家的路
          2. 10-2-2 回家的路於機器學習的應用場景
        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. 11-4-5 Python 模擬事件重複發生的機率計算
        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 擲骰子的其他實例
        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 疾病診斷模型
          4. 11-8-4 客戶購買意願預測
        9. 11-9 COVID-19 的全民普篩準確性推估
          1. 11-9-1 COVID-19 準確性推估
          2. 11-9-2 再看一個醫學實例
        10. 11-10 垃圾郵件篩選
          1. 11-10-1 貝氏定理篩選垃圾電子郵件基礎觀念
          2. 11-10-2 垃圾郵件分類專案實作
      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 中間項係數驗證
        6. 12-6 二項式到多項式
        7. 12-7 二項分佈實驗
        8. 12-8 用二項式分析國際證照考試業務
        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
        11. 12-11 二項分佈的創新應用與機器學習實踐
          1. 12-11-1 品質控制中的不良品檢測
          2. 12-11-2 臨床試驗中的藥物療效
          3. 12-11-3 廣告轉換率的預測
          4. 12-11-4 機器學習場景 - 二項分佈在二分類問題中的應用
      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 指數增長的數據預測–用戶增長/ 病毒式行銷
          3. 13-1-3 指數衰減的數據預測–學習率衰減/ 活躍度衰減
          4. 13-1-4 用指數觀念看iPhone 容量
        2. 13-2 指數運算的核心規則與應用
          1. 13-2-1 指數運算規則
          2. 13-2-2 指數運算 - 數據標準化
          3. 13-2-3 指數運算 - 激活函數的應用
        3. 13-3 指數函數的圖形
          1. 13-3-1 底數是變數的指數函數圖形
          2. 13-3-2 指數冪是實數變數
      14. 第14章 機器學習中的對數運算與應用
        1. 14-1 機器學習中對數概念與應用背景
          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
          6. 14-1-6 機器學習 - 對數運算在特徵縮放中的應用
          7. 14-1-7 機器學習 - 對數變換處理異常值
          8. 14-1-8 機器學習 - 交叉熵損失函數中的對數應用
        2. 14-2 對數表的歷史與數據科學應用
          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 對數運算與指數問題的簡化
          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
          3. 14-3-3 簡化大數據的乘法與指數操作
          4. 14-3-4 對數控制指數增長的數據範圍
        4. 14-4 對數特性與機器學習應用
        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 指數函數與激活函數的應用
        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
          5. 15-1-5 指數衰減策略中的歐拉數應用
        2. 15-2 邏輯斯函數
          1. 15-2-1 認識邏輯斯函數
          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 繪製邏輯斯函數
          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 邏輯斯函數的應用
          1. 15-4-1 事件說明與分析
          2. 15-4-2 從邏輯斯函數到logit 函數
          3. 15-4-3 使用logit 函數獲得係數
          4. 15-4-4 邏輯斯函數在二元分類模型中的延伸應用
        5. 15-5 Softmax 函數的應用
      16. 第16章 機器學習數據處理與統計基礎
        1. 16-1 機器學習視角 - 母體與樣本
          1. 16-1-1 母體與樣本
          2. 16-1-2 機器學習視角看母體與樣本
        2. 16-2 數據加總與聚合操作
          1. 16-2-1 符號運算規則、驗證與活用
          2. 16-2-2 數據加總
          3. 16-2-3 數據的聚合操作
        3. 16-3 認識數據分佈與其在機器學習中的應用
          1. 16-3-1 認識數據分佈
          2. 16-3-2 數據分佈在機器學習中的應用
          3. 16-3-3 數據分佈與演算法選擇
          4. 16-3-4 對數轉換應用於偏態分佈數據
        4. 16-4 數據中心趨勢與機器學習應用
          1. 16-4-1 平均數(mean)
          2. 16-4-2 中位數(median)
          3. 16-4-3 眾數(mode)
          4. 16-4-4 機器學習角度執行工資數據分析
          5. 16-4-5 分數分佈圖
        5. 16-5 數據分散指標 – 變異數與標準差
          1. 16-5-1 變異數
          2. 16-5-2 標準差
          3. 16-5-3 數據分散指標的應用
      17. 第17章 機器學習的迴歸分析
        1. 17-1 背景與概念介紹
        2. 17-2 相關係數(Correlation Coefficient)
          1. 17-2-1 認識相關係數
          2. 17-2-2 相關係數在迴歸模型中扮演的角色
        3. 17-3 建立線性迴歸模型與數據預測
          1. 17-3-1 建立迴歸模型
          2. 17-3-2 數據預測
        4. 17-4 二次函數的迴歸模型
        5. 17-5 三次函數的迴歸曲線模型
        6. 17-6 使用scikit-learn 模組評估迴歸模型
          1. 17-6-1 迴歸模型選擇的基礎觀念
          2. 17-6-2 更完整解釋評估模型與scikit-learn方法支援
          3. 17-6-3 預測估計時間的銷售預測
        7. 17-7 不適合的迴歸分析的實例
          1. 17-7-1 繪製三次函數迴歸線
          2. 17-7-2 計算R 平方判定係數
        8. 17-8 不同次數多項式擬合對模型表現的影響
      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 向量加法與機器學習的應用
          1. 18-2-1 認識向量加法規則
          2. 18-2-2 向量加法在機器學習的應用
        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 使用向量建立迴歸方程式的理由
        5. 18-5 向量內積/ 餘弦相似度 – 推薦系統設計
          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
          7. 18-5-7 音樂推薦系統設計
          8. 18-5-8 向量內積的應用
        6. 18-6 皮爾遜相關係數原理 – 特徵篩選應用
          1. 18-6-1 網路購物問卷調查案例解說
          2. 18-6-3 向量內積計算係數
          3. 18-6-4 皮爾遜相關係數的應用
      19. 第19章 機器學習的矩陣
        1. 19-1 矩陣的表達方式與機器學習應用場景
          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
          5. 19-1-5 行列的定義在機器學習中的應用
        2. 19-2 矩陣相加/ 相減與機器學習場景應用
          1. 19-2-1 基礎觀念
          2. 19-2-2 Python 定義矩陣
          3. 19-2-3 機器學習矩陣加法運算場景
          4. 19-2-4 機器學習矩陣減法運算場景
        3. 19-3 矩陣乘以實數與機器學習場景應用
        4. 19-4 矩陣乘法與在機器學習的場景
          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
          4. 19-4-4 機器學習場景的應用
        5. 19-5 方形矩陣
        6. 19-6 單位矩陣
        7. 19-7 反矩陣與轉置矩陣
          1. 19-7-1 基礎觀念
          2. 19-7-2 用反矩陣解聯立方程式
          3. 19-7-3 轉置矩陣基礎觀念
          4. 19-7-4 轉置矩陣的規則
          5. 19-7-5 轉置矩陣與皮爾遜相關係數
        8. 19-8 深度學習框架的數據表示法 - 張量(Tensor)
      20. 第20章 向量、矩陣與多元線性迴歸
        1. 20-1 向量和矩陣在多元線性迴歸的重要性
        2. 20-2 向量應用在線性迴歸
        3. 20-3 向量應用在多元線性迴歸
        4. 20-4 矩陣應用在多元線性迴歸
        5. 20-5 將截距放入矩陣
        6. 20-6 簡單的線性迴歸
        7. 20-7 多元線性迴歸矩陣方程式的推導
        8. 20-8 專題 - 業績預測/ 用電量預測
          1. 20-8-1 廣告與銷售
          2. 20-8-2 家庭用電量預測
      21. 第21章 數據預處理使用Scikit-learn
        1. 21-1 Scikit-learn 的歷史
        2. 21-2 機器學習的數據集
          1. 21-2-1 Scikit-learn 內建的數據集
          2. 21-2-2 Kaggle 數據集
          3. 21-2-3 UCI 數據集
          4. 21-2-4 scikit-learn 函數生成數據
        3. 21-3 scikit-learn 生成數據實作
          1. 21-3-1 線性分佈數據 - make_regression( )
          2. 21-3-2 集群分佈數據 - make_blobs( )
          3. 21-3-3 交錯半月群集數據 - make_moons( ) .
          4. 21-3-4 環形結構分佈的群集數據–make_circles( )
          5. 21-3-5 產生n-class 分類數據集
        4. 21-4 Scikit-learn 數據預處理
          1. 21-4-1 標準化數據StandardScaler( )
          2. 21-4-2 設定數據區間MinMaxScaler
          3. 21-4-3 特殊數據縮放RobustScaler
      22. 第22章 機器學習使用Scikit-learn 入門
        1. 22-1 用Scikit-learn 處理線性迴歸
          1. 22-1-1 身高與體重的資料
          2. 22-1-2 線性擬合數據LinearRegression
          3. 22-1-3 資料預測predict( )
          4. 22-1-4 模型的儲存與開啟
          5. 22-1-5 計算線性迴歸線的斜率和截距
          6. 22-1-6 R 平方判定係數檢驗模型的性能
        2. 22-2 機器學習分類演算法 - 模型的性能評估 .
          1. 22-2-1 計算精確度accuracy_score( )
          2. 22-2-2 召回率recall_score( )
          3. 22-2-3 精確率precision_score( )
          4. 22-2-4 F1 分數f1_score( )
          5. 22-2-5 分類報告classification_report( )
          6. 22-2-6 混淆矩陣confusion_matrix( )
          7. 22-2-7 ROC_AUC 分數
        3. 22-3 機器學習必需會的非數值資料轉換
          1. 22-3-1 One-hot 編碼
          2. 22-3-2 特徵名稱由中文改為英文
          3. 22-3-3 資料對應map( ) 方法
          4. 22-3-4 標籤轉換LabelEncoder( )
        4. 22-4 機器學習演算法
        5. 22-5 使用隨機數據學習線性迴歸
          1. 22-5-1 建立訓練數據與測試數據使用train_test_split( )
          2. 22-5-2 迴歸模型判斷
          3. 22-5-3 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( )
        11. 23-11 數據洩漏
      24. 第24章 邏輯斯迴歸 - 信用卡/ 葡萄酒/ 糖尿病
        1. 24-1 淺談線性迴歸的問題
        2. 24-2 邏輯斯迴歸觀念回顧
          1. 24-2-1 基礎觀念複習
          2. 24-2-2 應用邏輯斯函數
          3. 24-2-3 線性迴歸與邏輯斯迴歸的差異
        3. 24-3 邏輯斯迴歸模型基礎應用
          1. 24-3-1 語法基礎
          2. 24-3-2 挽救可能流失的客戶
          3. 24-3-3 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 個特徵設計邏輯斯迴歸模型
          4. 24-4-4 使用全部的特徵設計邏輯斯迴歸模型
        5. 24-5 葡萄酒數據
          1. 24-5-1 認識葡萄酒數據
          2. 24-5-2 使用邏輯斯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 用長條圖了解特徵分佈
          4. 24-6-3 用箱形圖了解異常值
          5. 24-6-4 用所有特徵值做糖尿病患者預估
          6. 24-6-5 繪製皮爾遜相關係數熱力圖
          7. 24-6-6 用最相關的皮爾遜相關係數做糖尿病預估
      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 分類問題的決策樹數學分割原理
          3. 25-1-3 決策樹應用在迴歸問題
          4. 25-1-4 決策樹在迴歸問題的數學原理
        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WA_Fn-UseC_-Telco-Customer-Churn.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–波士頓房價/ 鐵達尼號/Telco/ 收入分析
        1. 26-1 隨機森林基本觀念
          1. 26-1-1 Bagging 技術
          2. 26-1-2 特徵隨機選擇
          3. 26-1-3 隨機森林的應用
          4. 26-1-4 隨機森林的優缺點
        2. 26-2 波士頓房價 - 迴歸應用
          1. 26-2-1 隨機森林RandomForestRegressor( )迴歸函數
          2. 26-2-2 隨機森林 - 波士頓房價應用
          3. 26-2-3 RandomForestRegressor 的屬性feature_importances_
        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
          1. 27-1-1 基礎觀念
          2. 27-1-2 K 值的影響
        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 交叉驗證
          5. 27-2-5 繪製分類的決策邊界(Decision Boundary)
          6. 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 使用 KNN 演算法進行鳶尾花數據集的分類預測
          7. 27-4-7 繪製鳶尾花的決策邊界
          8. 27-4-8 計算最優的k 值
          9. 27-4-9 交叉驗證
        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/ 乳腺癌/ 汽車燃料
        1. 28-1 支援向量機分類應用的基礎觀念
          1. 28-1-1 分類應用的基礎觀念
          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 乳腺癌數據 - 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腺癌數據
          3. 28-6-3 不同核函數應用在乳腺癌數據
        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(MPG) 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
          1. 29-4-1 認識垃圾郵件數據集Spambase
          2. 29-4-2 垃圾郵件分類預測
        5. 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
        6. 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
        7. 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
        8. 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 集成學習效果評估
        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 - 適應性提升法AdaBoost
          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 - 梯度提升法Gradient Boosting
          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 Gradient Boosting–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
          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(Silhouette Coefficient)
          3. 31-4-3 調整蘭德係數(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(Silhouette 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 階層式分群 – 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. 附錄A 函數與方法索引表

    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

    AI智慧生活術：打造你的AI生活作業系統

    AI時代：Excel高效工作術

    Vibe Coding－Python超級入門：ChatGPT x Codex

    AI高效學習術：人工智慧時代學得更聰明

    NotebookLM筆記術：打造你的AI「第二大腦」

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

    Code Review 我的青春：從「嗶」聲開啟我的軟體工程師之路

    實用的GeminiAPI開發點子書

    AI智慧生活術：打造你的AI生活作業系統

    更多出版社作品
    試讀