防詐3要訣：不聽信、不操作、掛斷電話 
9
580522
查詢門市庫存
本書兼具理論知識的傳授與實務應用能力的培養。
全書以核心概念紮實基礎，並輔以數學直覺和必要的推導（如梯度下降、機率論、線性代數）說明，內容涵蓋廣泛，從經典迴歸模型到現代深度學習的熱門應用——CNN、RNN及領先時代的Transformer架構，均有深入淺出的探討。
全書以核心概念紮實基礎，並輔以數學直覺和必要的推導（如梯度下降、機率論、線性代數）說明，內容涵蓋廣泛，從經典迴歸模型到現代深度學習的熱門應用——CNN、RNN及領先時代的Transformer架構，均有深入淺出的探討。
內容簡介
⊙循序漸進紮實基礎：從核心概念出發，涵蓋監督式、非監督式與強化學習，並提供關鍵的數學推導（如梯度下降、線性代數），以建立深厚的機器學習底層邏輯。
⊙經典演算法至深度學習全解析：並重經典迴歸、決策樹與SVM，並深度拆解CNN、RNN、LSTM及當前主流的Transformer架構，接軌AI業界最熱門的技術核心。
⊙Python實作與全生命週期導引：搭配主流程式碼與Kaggle真實數據集，完整走過資料清洗、特徵工程到模型評估的專案流程，同時深入探討AI倫理與模型可解釋性。
本書兼具理論知識的傳授與實務應用能力的培養。
全書以核心概念紮實基礎，並輔以數學直覺和必要的推導（如梯度下降、機率論、線性代數）說明，內容涵蓋廣泛，從經典迴歸模型到現代深度學習的熱門應用——CNN、RNN及領先時代的Transformer架構，均有深入淺出的探討。
實務操作以Python程式碼應用為重點，搭配Scikit-learn、TensorFlow與PyTorch等函式庫，完整拆解從資料清洗、特徵工程到模型評估的「專案全生命週期」。透過Kaggle等真實數據集的實戰演練，讀者將可親手實作圖像分類與自然語言處理等案例。此外，本書更具備前瞻性的倫理視角，深入討論數據偏見與模型可解釋性，讓讀者對機器學習概念、方法與實踐能有全面的理解。
產品目錄
第一部分 核心概念與基礎
Chapter01 機器學習概論
1-1 機器學習的起源：定義、歷史、應用領域與重要性
1-2 機器學習與人工智慧、數據科學的關係
1-3 學習前的準備
Chapter02 Python程式語言的安裝與基礎操作
2-1 Python程式語言的安裝
2-2 Jupyter Notebook基礎操作
2-3 Python基礎知識：變數、類型、運算、陣列、流程控制、函式等
2-4 Python的資料處理與視覺化：繪製二維／三維圖形、資料清理與準備
Chapter03 機器學習的類型
Chapter04 機器學習中的數學／統計基礎
4-1 統計與AI關係
4-2 線性代數（矩陣、向量）簡介
4-2-1 向量
4-2-2 矩陣
4-2-3 矩陣的Python程式設計
4-3 微積分（梯度、偏微分、梯度下降）
4-3-1 梯度、偏微分、梯度下降在AI的應用領域
4-3-2 偏微分定義
4-3-3 梯度下降定義
4-4 機率與統計（機率分布、期望值、最大概似估計）
4-4-1 機率在AI的應用領域
4-4-2 機率分布
4-4-3 貝氏定理（Bayes’ theorem）
4-4-4 期望值
4-4-5 最大概似估計
第二部分 數據處理與模型評估
Chapter05 數據處理與準備
5-1 數據清洗、缺失值處理、異常值處理
5-2 數據標準化（Standardization）與正規化（Normalization）
5-3 類別特徵編碼（如One-Hot Encoding）簡介
5-4 模型評估與選擇
5-4-1 訓練集（Training Set）、驗證集（Validation Set）、測試集（Test Set）的劃分
5-4-2 交叉驗證（Cross-Validation）
5-5 分類模型評估指標：準確度、精確度、召回率、F1分數、ROC曲線與AUC
5-5-1 分類模型評估指標：準確度（Accuracy）的Python程式設計
5-5-2 精確度（Precision）的Python程式設計
5-6 線性迴歸的Python程式設計：模型評估指標（如R2或MSE）
第三部分 經典機器學習演算法（傳統ML）
Chapter06 常見機器學習演算法的原理、優缺點與應用
6-1 線性模型簡介
6-1-1 線性迴歸（Linear Regression）簡介
6-1-2 羅吉斯迴歸（Logistic Regression）（用於分類）
6-1-3 Lasso迴歸：特徵選擇與降維（Feature Selection and Dimensionality Reduction）
6-2 決策樹與集成方法（Ensemble Methods）簡介
6-2-1 隨機森林（Random Forest）簡介
6-2-2 支援向量機（Support Vector Machine, SVM）簡介
6-3 近鄰法
6-4 非監督學習的類型
6-4-1 K－均值聚類（K-Means Clustering）簡介
6-4-2 主成分分析（Principal Component Analysis, PCA）：降維
第四部分 深度學習的入門：深度學習與神經網路
Chapter07 神經網路的概念
7-1 神經網路之基本概念
7-1-1 感知器（Perceptron）概念
7-1-2 多層感知器（Multi-Layer Perceptron, MLP）簡介
7-1-3 激活函數（Activation Functions）介紹
7-1-4 反向傳播（Backpropagation）簡介
7-1-5 神經元模型
7-1-6 反向傳播（Backpropagation）演算法
7-2 深度學習模型（Deep Learning Model）
7-2-1 深度前饋網路（Deep Feedforward Networks）
7-2-2 卷積神經網路（Convolutional Neural Network, CNN）簡介
7-2-3 遞迴神經網路（RNN）：序列建模
7-2-4 訓練深度模型的優化：正規化（Regularization）、優化方法（Optimization）（如梯度下降、Adam）
Chapter08 進階主題與應用
8-1 強化學習（Reinforcement Learning, RL）
8-2 自然語言處理（NLP）
8-2-1 自然語言處理（Natural Language Processing, NLP）簡介
8-2-2 自然語言處理（NLP）如何運作（基本流程）
8-2-3 NLP底層技術
8-3 深度生成模型（Deep Generative Models）
8-4 機器學習的實用方法論：模型驗證與評估、錯誤分析等
8-4-1 機器學習的模型驗證與評估
8-4-2 機器學習的錯誤分析
Chapter01 機器學習概論
1-1 機器學習的起源：定義、歷史、應用領域與重要性
1-2 機器學習與人工智慧、數據科學的關係
1-3 學習前的準備
Chapter02 Python程式語言的安裝與基礎操作
2-1 Python程式語言的安裝
2-2 Jupyter Notebook基礎操作
2-3 Python基礎知識：變數、類型、運算、陣列、流程控制、函式等
2-4 Python的資料處理與視覺化：繪製二維／三維圖形、資料清理與準備
Chapter03 機器學習的類型
Chapter04 機器學習中的數學／統計基礎
4-1 統計與AI關係
4-2 線性代數（矩陣、向量）簡介
4-2-1 向量
4-2-2 矩陣
4-2-3 矩陣的Python程式設計
4-3 微積分（梯度、偏微分、梯度下降）
4-3-1 梯度、偏微分、梯度下降在AI的應用領域
4-3-2 偏微分定義
4-3-3 梯度下降定義
4-4 機率與統計（機率分布、期望值、最大概似估計）
4-4-1 機率在AI的應用領域
4-4-2 機率分布
4-4-3 貝氏定理（Bayes’ theorem）
4-4-4 期望值
4-4-5 最大概似估計
第二部分 數據處理與模型評估
Chapter05 數據處理與準備
5-1 數據清洗、缺失值處理、異常值處理
5-2 數據標準化（Standardization）與正規化（Normalization）
5-3 類別特徵編碼（如One-Hot Encoding）簡介
5-4 模型評估與選擇
5-4-1 訓練集（Training Set）、驗證集（Validation Set）、測試集（Test Set）的劃分
5-4-2 交叉驗證（Cross-Validation）
5-5 分類模型評估指標：準確度、精確度、召回率、F1分數、ROC曲線與AUC
5-5-1 分類模型評估指標：準確度（Accuracy）的Python程式設計
5-5-2 精確度（Precision）的Python程式設計
5-6 線性迴歸的Python程式設計：模型評估指標（如R2或MSE）
第三部分 經典機器學習演算法（傳統ML）
Chapter06 常見機器學習演算法的原理、優缺點與應用
6-1 線性模型簡介
6-1-1 線性迴歸（Linear Regression）簡介
6-1-2 羅吉斯迴歸（Logistic Regression）（用於分類）
6-1-3 Lasso迴歸：特徵選擇與降維（Feature Selection and Dimensionality Reduction）
6-2 決策樹與集成方法（Ensemble Methods）簡介
6-2-1 隨機森林（Random Forest）簡介
6-2-2 支援向量機（Support Vector Machine, SVM）簡介
6-3 近鄰法
6-4 非監督學習的類型
6-4-1 K－均值聚類（K-Means Clustering）簡介
6-4-2 主成分分析（Principal Component Analysis, PCA）：降維
第四部分 深度學習的入門：深度學習與神經網路
Chapter07 神經網路的概念
7-1 神經網路之基本概念
7-1-1 感知器（Perceptron）概念
7-1-2 多層感知器（Multi-Layer Perceptron, MLP）簡介
7-1-3 激活函數（Activation Functions）介紹
7-1-4 反向傳播（Backpropagation）簡介
7-1-5 神經元模型
7-1-6 反向傳播（Backpropagation）演算法
7-2 深度學習模型（Deep Learning Model）
7-2-1 深度前饋網路（Deep Feedforward Networks）
7-2-2 卷積神經網路（Convolutional Neural Network, CNN）簡介
7-2-3 遞迴神經網路（RNN）：序列建模
7-2-4 訓練深度模型的優化：正規化（Regularization）、優化方法（Optimization）（如梯度下降、Adam）
Chapter08 進階主題與應用
8-1 強化學習（Reinforcement Learning, RL）
8-2 自然語言處理（NLP）
8-2-1 自然語言處理（Natural Language Processing, NLP）簡介
8-2-2 自然語言處理（NLP）如何運作（基本流程）
8-2-3 NLP底層技術
8-3 深度生成模型（Deep Generative Models）
8-4 機器學習的實用方法論：模型驗證與評估、錯誤分析等
8-4-1 機器學習的模型驗證與評估
8-4-2 機器學習的錯誤分析
作者介紹
張紹勳
學歷：國立政治大學資訊管理博士
現職：國立彰化師範大學電機與機械科技學系專任教授
經歷：致理技術專任副教授
Email：chess1mail@gmail.com
張任坊
學歷：國立海洋大學商船系
現職：永樂福有限公司負責人
張博一
學歷：國立中央大學通訊工程所
現職：微星科技股份有限公司工程師
學歷：國立政治大學資訊管理博士
現職：國立彰化師範大學電機與機械科技學系專任教授
經歷：致理技術專任副教授
Email：chess1mail@gmail.com
張任坊
學歷：國立海洋大學商船系
現職：永樂福有限公司負責人
張博一
學歷：國立中央大學通訊工程所
現職：微星科技股份有限公司工程師
規格
誠品貨碼 / 2683147108006
ISBN13 / 9786264423670
ISBN10 /
EAN貨碼 / 9786264423670
頁數 / 432
裝訂 / P:平裝
語言 / 1:中文/繁體
尺寸 / 23*17*2.16
級別 / N:無
重量(g) / 720
提供維修 / 無
退貨說明
退貨須知：
- 依照消費者保護法的規定，您享有商品貨到次日起七天猶豫期(含例假日)的權益(請注意！猶豫期非試用期)，辦理退貨之商品必須是全新狀態(不得有刮傷、破損、受潮)且需完整(包含全部商品、配件、原廠內外包裝、贈品及所有附隨文件或資料的完整性等)。
- 請您以送貨廠商使用之包裝紙箱將退貨商品包裝妥當，若原紙箱已遺失，請另使用其他紙箱包覆於商品原廠包裝之外，切勿直接於原廠包裝上黏貼紙張或書寫文字。若原廠包裝損毀將可能被認定為已逾越檢查商品之必要程度，本公司得依毀損程度扣除回復原狀必要費用(整新費)後退費；請您先確認商品正確、外觀可接受，再行拆封，以免影響您的權利；若為產品瑕疵，本公司接受退貨。
依「通訊交易解除權合理例外情事適用準則」，下列商品不適用七日猶豫期，除產品本身有瑕疵外，不接受退貨：
- 易於腐敗、保存期限較短或解約時即將逾期。(如:生鮮蔬果、乳製品、冷凍冷藏食材、蛋糕)
- 依消費者要求所為之客製化給付。(如:客製印章、鋼筆刻字)
- 報紙、期刊或雜誌。
- 經消費者拆封之影音商品或電腦軟體。
- 非以有形媒介提供之數位內容或一經提供即為完成之線上服務，經消費者事先同意始提供。(如:電子書)
- 已拆封之個人衛生用品。(如:內衣褲、襪類、褲襪、刮鬍刀、除毛刀等貼身用品)
- 國際航空客運服務。
若您退貨時有下列情形，可能被認定已逾越檢查商品之必要程度而須負擔為回復原狀必要費用(整新費)，或影響您的退貨權利，請您在拆封前決定是否要退貨：
- 以數位或電磁紀錄形式儲存或著作權相關之商品(包含但不限於CD、VCD、DVD、電腦軟體等) 包裝已拆封者(除運送用之包裝以外)。
- 耗材(包含但不限於墨水匣、碳粉匣、紙張、筆類墨水、清潔劑補充包等)之商品包裝已拆封者(除運送用之包裝以外)。
- 衣飾鞋類/寢具/織品(包含但不限於衣褲、鞋子、襪子、泳裝、床單、被套、填充玩具)或之商品缺件(含購買商品、附件、內外包裝、贈品等)或經剪標或下水或商品有不可回復之髒污或磨損痕跡。
- 食品、美容/保養用品、內衣褲等消耗性或個人衛生用品、商品銷售頁面上特別載明之商品已拆封者(除運送用之包裝外一切包裝、包括但不限於瓶蓋、封口、封膜等接觸商品內容之包裝部分)或已非全新狀態(外觀有刮傷、破損、受潮等)與包裝不完整(缺少商品、附件、原廠外盒、保護袋、配件紙箱、保麗龍、隨貨文件、贈品等)。
- 家電、3C、畫作、電子閱讀器等商品，除商品本身有瑕疵外，退回之商品已拆封(除運送用之包裝外一切包裝、包括但不限於封膜等接觸商品內容之包裝部分、移除封條、拆除吊牌、拆除貼膠或標籤等情形)或已非全新狀態(外觀有刮傷、破損、受潮等)與包裝不完整(缺少商品、附件、原廠外盒、保護袋、配件紙箱、保麗龍、隨貨文件、贈品等)。
- 退貨程序請參閱【客服專區→常見問題→誠品線上退貨退款】之說明。
付款/配送
