Readmoo 讀墨電子書
每日問答 每日優惠 版權到期
全民瘋 AI 系列：經典機器學習
0 則劃線
0 篇書評

全民瘋 AI 系列：經典機器學習

分類導覽 > 電腦科技 > 程式設計
  • 出版日期： 2025/02/19
  • 語言：繁體中文
  • 檔案大小：68.7MB
  • 商品格式：固定版面 EPUB
  • ISBN: 9786267569511
  • eISBN: 9786267569597
  • 頁數： 472
紙本書定價：NT$ 790
電子書定價：NT$ 790
電子書售價：NT$ 632
本書為固定版面 EPUB，建議您使用 mooInk Pro 系列、平板及電腦閱讀。

"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，全面掌握AI技術在真實世界中的應用與價值。
✴︎ 資料視覺化、清理、正規化與標準化，為AI模型做好全面準備。
✴︎ 非監督與監督學習技術解析，涵蓋分群、迴歸與分類，結合實際應用。
✴︎ 搭配十三種經典實務範例，深入掌握模型構建與優化技巧。
✴︎ 模型落地實踐與整合應用，結合FastAPI打造完整AI應用服務。"

喜歡這本的人，也看了...

  • 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
  • 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
    深智數位股份有限公司
    電子書： NT$ 496

    ☆★☆從 Gemini 到 NotebookLM，打造個人知識與創作☆★☆ ☆★☆整合 Google Workspace全系列 AI 工具☆★☆ ☆★☆圖像、語音、影片與文件的多模態☆★☆ ☆★☆讓 AI 真的成...

    試讀
  • 胡嘉璽
    深智數位股份有限公司
    電子書： NT$ 704

    https://youtu.be/Jqv2QYNff-4 ＼\國內第一本！Cursor教戰手冊/／ ☆★☆Context Engineering 頂級實作工具☆★☆ ☆★☆100倍速開發，一天完成原型及產品佈署☆★☆

    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
  • 柳絮 段采伶
    深智數位股份有限公司
    電子書： NT$ 496

    市面上第一本結合「八字命盤、AI 覺察與人生指引信」的自我探索說明書。 寫給站在人生岔路前、猶豫著該往哪裡走的你， 寫給忙得不敢停下、只能硬撐著往前走的...

    試讀
  • 蔡煥麟
    一步出版
    電子書： NT$ 440

    這不是一本鉅細靡遺的 C# 語法字典。 本書將介紹 C# 語言當中較為核心、進階、或需要花較多時間深度理解的部分。不同於傳統程式設計書籍的是，本書特別強調...

    試讀
  • 洪錦魁（著）
    深智數位股份有限公司
    電子書： NT$ 464

    為什麼這本《AI 思維 - 原子習慣》值得你帶回家？ 如果你已經看過無數「自律」、「時間管理」、「成功習慣」的書，卻始終做不到、撐不久、三分鐘熱度，那不...

    試讀
  • 許國政（Kuro）
    博碩文化
    出版日期：2021-02-07
    電子書： NT$ 450

    從零開始！快速上手！網羅完整Vue.js功能的實戰指南

    試讀
  • 洪錦魁
    深智數位股份有限公司
    電子書： NT$ 544

    ★☆★「AI 時代最全面的 ChatGPT 5 實戰指南」★☆★ 在 AI 快速演進的浪潮中，ChatGPT 5 不僅是工具，更是未來工作與創作的強大戰友。本書從基礎到進階，完整揭...

    試讀
  • 洪錦魁
    深智數位股份有限公司
    電子書： NT$ 464

    AI提示詞 打造精準Prompt的對話力與創造力 【台灣首創Prompt教戰守則】 【解密AI對話的黃金鑰匙】 【實戰範例，學Prompt超有感】 【職場創新，掌握AI...

    試讀
  • 許恆修
    深智數位股份有限公司
    電子書： NT$ 656

    你與 AI 大神的距離，只差這本「動手做」的實戰指南！ 翻開本書，開始打造專屬於你的第一個 AI 應用吧！ ★ AI 當你的程式助教，從零開始不怕痛！ 本書專...

    試讀
  • 李開周
    時報出版
    電子書： NT$ 301

    破譯武林招式，看懂程式設計！ ‧郭靖的小紅馬在Scratch裡能任意變色？ ‧韋小寶加盟天地會誓詞是高階程式語言？ ‧黃蓉的計算能力比Python還強？ ‧用費波那...

    試讀
  • Sam T.
    深智數位股份有限公司
    電子書： NT$ 632

    ★★★《AWS自學聖經》作者Sam T.全新作★★★ ★★★圖解教學★★★ ✦什麼是K8S？ K8S全名為Kubernetes，是一套容器化管理框架，常與Docker等技術一起運用。近年來...

    試讀
  • 胡立
    深智數位股份有限公司
    電子書： NT$ 608

    這不是一本給初學者的JavaScript教科書。相反地，它是寫給那些已經學過JavaScript卻依然感到卡關，對某些觀念依然模糊的開發者。 就像大學課程一樣，或許都是...

    試讀
  • 洪錦魁
    深智數位股份有限公司
    電子書： NT$ 496

    NotebookLM筆記術 打造你的AI「第二大腦」 ★☆★ 從「抄重點」走向「理解與輸出」 ★☆★ ★☆★ 多來源整合 x 提問思考 x 知識累積 ★☆★ ★☆★ 學生、教師、上班...

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

    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】★★★★★ ...

    試讀

    • 詳細資訊

    "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，全面掌握AI技術在真實世界中的應用與價值。
    ✴︎ 資料視覺化、清理、正規化與標準化，為AI模型做好全面準備。
    ✴︎ 非監督與監督學習技術解析，涵蓋分群、迴歸與分類，結合實際應用。
    ✴︎ 搭配十三種經典實務範例，深入掌握模型構建與優化技巧。
    ✴︎ 模型落地實踐與整合應用，結合FastAPI打造完整AI應用服務。"

    目錄列表

  • 目錄
    1. COVER
      1. 第1部分 AI 基礎概念
        1. 第1章 人工智慧基礎
          1. 1.1 探索AI 的世界
            1. 1.1.1 人工智慧的範疇
            2. 1.1.2 何謂人工智慧？
            3. 1.1.3 人工智慧的演進
            4. 1.1.4 人工智慧的分級
          2. 1.2 機器學習大補帖
            1. 1.2.1 何謂機器學習？
            2. 1.2.2 機器如何學習？
            3. 1.2.3 資料學三劍客
            4. 1.2.4 機器學習流程
            5. 1.2.5 學 AI 該用哪種程式語言？
          3. 1.3 環境安裝指南
            1. 1.3.1 Anaconda 介紹與安裝
        2. 第2章 發現資料的秘密
          1. 2.1 資料的探索與準備
            1. 2.1.1 什麼是資料？
          2. 2.2 探索式資料分析
            1. 2.2.1 EDA 必要的套件
            2. 2.2.2 第一支EDA 程式：資料集一覽
            3. 2.2.3 資料集描述
            4. 2.2.4 載入資料集
            5. 2.2.5 直方圖
            6. 2.2.6 核密度估計圖
            7. 2.2.7 相關性熱圖
            8. 2.2.8 散佈圖
            9. 2.2.9 盒鬚圖
          3. 2.3 離群值的檢查與處理方法
            1. 2.3.1 檢查異常值的方法
            2. 2.3.2 處理異常值的方法
          4. 2.4 資料清理和前處理
            1. 2.4.1 缺失值的處理
            2. 2.4.2 類別資料的處理
          5. 2.5 數據正規化與標準化
            1. 2.5.1 正規化 (Normalization)
            2. 2.5.2 標準化（Standardization）
            3. 2.5.3 為何需要特徵縮放與轉換？
            4. 2.5.4 特徵縮放與轉換
      2. 第2部分 機器學習入門
        1. 第3章 非監督式學習：資料分群分類
          1. 3.1 何謂非監督式學習？
          2. 3.2 K-means 簡介
            1. 3.2.1 K-means 如何分群？
            2. 3.2.2 K-means 的最佳化目標
          3. 3.3 K-means 實務應用：群眾消費行為分群
            1. 3.3.1 資料集描述
            2. 3.3.2 載入資料集
            3. 3.3.3 建立K-means 模型
            4. 3.3.4 inertia 評估分群結果
            5. 3.3.5 視覺化分群結果
            6. 3.3.6 如何選擇最佳的K 值
          4. 3.4 降維技術在機器學習中的應用
            1. 3.4.1 降維的概念
            2. 3.4.2 主成分分析（PCA）
            3. 3.4.3 t- 隨機鄰近嵌入法（t-SNE）
          5. 3.5 降維實務應用：手寫數字降維視覺化
            1. 3.5.1 資料集描述
            2. 3.5.2 載入資料集
            3. 3.5.3 將資料切分成訓練集與測試集
            4. 3.5.4 建立PCA 模型
            5. 3.5.5 建立t-SNE 模型
        2. 第4章 線性模型
          1. 4.1 線性迴歸
            1. 4.1.1 線性迴歸簡介
            2. 4.1.2 線性迴歸的損失函數
            3. 4.1.3 線性模型求解方法：閉式解與梯度下降
          2. 4.2 線性迴歸實務應用：同步機勵磁電流預測
            1. 4.2.1 資料集描述
            2. 4.2.2 載入資料集
            3. 4.2.3 將資料切分成訓練集與測試集
            4. 4.2.4 特徵標準化
            5. 4.2.5 建立Linear Regression 模型
            6. 4.2.6 評估模型
            7. 4.2.7 迴歸係數分析
          3. 4.3 邏輯迴歸
            1. 4.3.1 邏輯迴歸簡介
            2. 4.3.2 邏輯迴歸學習機制
            3. 4.3.3 邏輯迴歸的損失函數
            4. 4.3.4 多分類邏輯迴歸
          4. 4.4 邏輯迴歸實務應用：鳶尾花朵分類
            1. 4.4.1 資料集描述
            2. 4.4.2 載入資料集
            3. 4.4.3 將資料切分成訓練集與測試集
            4. 4.4.4 建立Logistic regression 模型
            5. 4.4.5 評估模型
        3. 第5章 鄰近規則分析
          1. 5.1 k- 近鄰演算法
            1. 5.1.1 KNN 演算法原理
            2. 5.1.2 KNN 於分類和迴歸任務
            3. 5.1.3 KNN 度量距離的方法
            4. 5.1.4 比較KNN 與K-means 差異
          2. 5.2 KNN 實務應用：葡萄酒品種分類
            1. 5.2.1 資料集描述
            2. 5.2.2 載入資料集
            3. 5.2.3 將資料切分成訓練集與測試集
            4. 5.2.4 建立KNN 分類模型
            5. 5.2.5 評估模型
        4. 第6章 支援向量機
          1. 6.1 支援向量機簡介
            1. 6.1.1 支援向量機基本原理
            2. 6.1.2 超平面和支援向量
            3. 6.1.3 線性支援向量機
            4. 6.1.4 非線性支援向量機
          2. 6.2 支援向量機於分類和迴歸任務
            1. 6.2.1 SVM 分類器
            2. 6.2.2 SVM 迴歸器
            3. 6.2.3 參數調整技巧
          3. 6.3 SVM（分類）實務應用：手寫數字辨識
            1. 6.3.1 資料集描述
            2. 6.3.2 載入資料集
            3. 6.3.3 特徵前處理：t-SNE 降維
            4. 6.3.4 前置作業
            5. 6.3.5 建立SVM 分類模型
          4. 6.4 SVR（迴歸）實務應用：薪資預測
            1. 6.4.1 資料集描述
            2. 6.4.2 載入資料集
            3. 6.4.3 將資料切分成訓練集與測試集
            4. 6.4.4 建立SVR 迴歸模型
            5. 6.4.5 評估模型
            6. 6.4.6 視覺化預測：迴歸分析
        5. 第7章 決策樹
          1. 7.1 決策樹簡介
            1. 7.1.1 決策樹的基本概念
            2. 7.1.2 分類樹的生長過程
            3. 7.1.3 分類樹的評估指標
            4. 7.1.4 迴歸樹的生長過程
            5. 7.1.5 迴歸樹的評估指標
          2. 7.2 CART 決策樹
            1. 7.2.1 CART 演算法流程
            2. 7.2.2 決策樹剪枝
          3. 7.3 決策樹的可解釋性
            1. 7.3.1 決策樹的特徵重要性
          4. 7.4 決策樹（分類）實務應用：玻璃類型檢測
            1. 7.4.1 資料集描述
            2. 7.4.2 載入資料集
            3. 7.4.3 將資料切分成訓練集與測試集
            4. 7.4.4 建立分類決策樹模型
            5. 7.4.5 評估模型
            6. 7.4.6 模型的可解釋性
            7. 7.4.7 繪製決策邊界
          5. 7.5 決策樹（迴歸）實務應用：房價預測
            1. 7.5.1 資料集描述
            2. 7.5.2 載入資料集
            3. 7.5.3 特徵工程
            4. 7.5.4 將資料切分成訓練集與測試集
            5. 7.5.5 建立迴歸決策樹
            6. 7.5.6 評估模型
            7. 7.5.7 模型的可解釋性
        6. 第8章 整體學習
          1. 8.1 何謂整體學習？
            1. 8.1.1 特徵面
            2. 8.1.2 資料面
          2. 8.2 隨機森林
            1. 8.2.1 隨機森林簡介
            2. 8.2.2 隨機森林的生成方法
          3. 8.3 隨機森林（分類）實務應用：糖尿病罹患預測
            1. 8.3.1 資料集描述
            2. 8.3.2 載入資料集
            3. 8.3.3 將資料切分成訓練集與測試集
            4. 8.3.4 建立隨機森林分類模型
            5. 8.3.5 評估模型
            6. 8.3.6 模型的可解釋性
          4. 8.4 隨機森林（迴歸）實務應用：帕金森氏症評估預測
            1. 8.4.1 資料集描述
            2. 8.4.2 載入資料集
            3. 8.4.3 將資料切分成訓練集與測試集
            4. 8.4.4 建立隨機森林分類模型
            5. 8.4.5 評估模型
            6. 8.4.6 模型的可解釋性
          5. 8.5 極限梯度提升（XGBoost）
            1. 8.5.1 極限梯度提升簡介
            2. 8.5.2 XGBoost 模型結構
          6. 8.6 XGBoost（分類）實務應用：銀行客戶定存申辦預測
            1. 8.6.1 資料集描述
            2. 8.6.2 載入資料集
            3. 8.6.3 資料清理
            4. 8.6.4 將資料切分成訓練集與測試集
            5. 8.6.5 建立XGBoost 分類模型
            6. 8.6.6 評估模型
            7. 8.6.7 模型的可解釋性
          7. 8.7 XGBoost（迴歸）實務應用：汽車燃油效率預測
            1. 8.7.1 資料集描述
            2. 8.7.2 載入資料集
            3. 8.7.3 將資料切分成訓練集與測試集
            4. 8.7.4 建立XGBoost 迴歸模型
            5. 8.7.5 評估模型
            6. 8.7.6 模型的可解釋性
      3. 第3部分 進階概念與應用
        1. 第9章 交叉驗證和錯誤修正
          1. 9.1 不能忽視的過擬合與欠擬合
            1. 9.1.1 如何選擇最佳的模型？
            2. 9.1.2 過擬合 vs 欠擬合
            3. 9.1.3 偏差與方差的差權衡
            4. 9.1.4 如何避免欠擬合？
            5. 9.1.5 如何避免過擬合？
          2. 9.2 交叉驗證簡介
            1. 9.2.1 何謂交叉驗證？
            2. 9.2.2 K-Fold 交叉驗證
          3. 9.3 機器學習常犯錯的十件事
            1. 9.3.1 資料收集與處理不當
            2. 9.3.2 訓練集與測試集的類別分佈不一致
            3. 9.3.3 沒有資料視覺化的習慣
            4. 9.3.4 使用錯誤方法為特徵編碼
            5. 9.3.5 資料處理不當導致資料洩漏
            6. 9.3.6 僅使用測試集評估模型好壞
            7. 9.3.7 在沒有交叉驗證的情況下判斷模型性能
            8. 9.3.8 分類問題僅使用準確率作為衡量模型的指標
            9. 9.3.9 迴歸問題僅使用 R2 分數評估模型好壞
            10. 9.3.10 任何事情別急著想用 AI 解決
        2. 第10章 模型落地實踐與整合應用
          1. 10.1 模型整合與部署
            1. 10.1.1 機器學習開發流程回顧
            2. 10.1.2 DevOps 與MLOps 概念簡介
            3. 10.1.3 如何將模型整合到實際應用中？
          2. 10.2 儲存訓練好的模型
            1. 10.2.1 ONNX 簡介
            2. 10.2.2 將scikit-learn 模型輸出為ONNX 格式
          3. 10.3 使用ONNX Runtime 進行模型推論
            1. 10.3.1 ONNX Runtime 簡介
            2. 10.3.2 載入 ONNX 模型並進行推論
          4. 10.4 使用FastAPI 建立模型推論服務
            1. 10.4.1 FastAPI 框架介紹
            2. 10.4.2 Python 後端開發框架比較
            3. 10.4.3 撰寫第一個 FastAPI 應用
            4. 10.4.4 整合ONNX 模型於API 中
            5. 10.4.5 使用Postman 測試API
            6. 10.4.6 自動生成 AIP 文件
          5. 10.5 網頁推論與前後端整合
            1. 10.5.1 環境設定與準備
            2. 10.5.2 建立簡單的前端界面
            3. 10.5.3 前後端 API 串接

    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。

    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