機器學習: 最強入門邁向AI高手 王者歸來 | 誠品線上

機器學習: 最強入門邁向AI高手 王者歸來

內容簡介

內容簡介 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！

作者介紹

作者介紹 洪錦魁 2023 年博客來10 大暢銷華文作家，多年來唯一獲選的電腦書籍作者，也是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」。 ◆ AI 時代他的代表作品是「機器學習 Python 實作」。 ◆ 通用 AI 時代第 1 本「ChatGPT、Copilot、無料 AI、AI 職場、AI 行銷」作者。 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：Python 網路爬蟲 影像創意 演算法邏輯思維 資料視覺化 - 王者歸來 3：網頁設計HTML+CSS+JavaScript+jQuery+Bootstrap+Google Maps 王者歸來 4：機器學習基礎數學、微積分、真實數據、專題Python 實作王者歸來 5：Excel 完整學習、Excel 函數庫、AI 助攻學Excel VBA 應用王者歸來 6：Python 操作Excel 最強入門邁向辦公室自動化之路王者歸來 7：Power BI 最強入門 – AI 視覺化+ 智慧決策+ 雲端分享王者歸來 8：無料AI、AI 職場、AI 行銷、AI 繪圖的作者 他的多本著作皆曾登上天瓏、博客來、Momo 電腦書類，不同時期暢銷排行榜第1 名，他的著作特色是，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說明，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。

產品目錄

產品目錄 ▌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1-3-1 監督學習1-3-2 無監督學習1-3-3 強化學習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 用數學抽象化開餐廳的生存條件2-4-1 數學模型2-4-2 經營數字預估2-4-3 經營績效的計算2-4-4 情境分析 - 變數變化的影響2-5 基礎數學的應用與總結2-5-1 基礎數學的應用範例2-5-2 基礎數學的總結▌第3章 認識方程式、函數與座標圖形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3-5-1 座標圖形與線性關係3-5-2 斜率與截距的意義3-5-3 細看斜率3-5-4 細看y截距3-5-5 細看x截距3-6 將線性函數應用在機器學習3-6-1 再看直線函數與斜率3-6-2 機器學習與線性迴歸3-6-3 相同斜率平行移動3-6-4 不同斜率與相同截距3-6-5 不同斜率與不同截距3-7 二元函數到多元函數3-7-1 二元函數基本觀念3-7-2 二元函數的圖形3-7-3 等高線圖3-7-4 多元函數3-8 Sympy 模組3-8-1 定義符號3-8-2 name 屬性3-8-3 定義多個符號變數3-8-4 符號的運算3-8-5 將數值代入公式3-8-6 將字串轉為數學表達式3-8-7 Sympy 模組支援的數學函數3-8-8 解一元一次方程式▌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4-1-1 基礎觀念4-1-2 聯立方程式4-1-3 使用加減法解聯立方程式4-1-4 使用代入法解聯立方程式4-1-5 使用Sympy 解聯立方程式4-2 機器學習使用聯立方程式推估數據4-2-1 推導餐廳經營績效函數4-2-2 餐廳經營績效數據推估4-2-3 聯立方程式在線性模型中的應用4-3 從2 條直線的交叉點推估科學數據4-3-1 雞兔同籠4-3-2 達成業績目標4-4 兩條直線垂直交叉4-4-1 基礎觀念4-4-2 求解座標某一點至一條線的垂直線4-5 本章總結與下一步展望▌第5章 從畢氏定理看機器學習5-1 驗證畢氏定理5-1-1 認識直角三角形5-1-2 驗證畢氏定理5-2 將畢氏定理應用在性向測試5-2-1 問題核心分析5-2-2 數據運算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5-5-1 規劃特徵值5-5-3 專案程式實作5-5-4 電影分類結論5-6 計算兩個向量的歐幾里德距離5-7 本章總結與應用展望▌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6-3-1 案例分析6-3-2 用聯立不等式表達6-3-3 在座標軸上繪不等式的區域6-3-4 目標函數6-3-5 平行移動目標函數6-3-6 將交叉點座標代入目標函數6-4 Python 計算6-5 聯立不等式的商業應用6-5-1 廣告投入最佳分配6-5-2 產品生產成本最小化6-6 本章總結與應用展望▌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7-1-1 解一元二次方程式的根7-1-2 繪製一元二次方程式的圖形7-1-3 一元二次方程式的最小值與最大值7-1-4 一元二次函數參數整理7-1-5 一元三次函數的圖形特徵7-1-6 二次函數在機器學習中的應用價值7-2 從一次到二次函數的實務7-2-1 呈現好的變化7-2-2 呈現不好的變化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7-4-1 手動求解一元二次函數7-4-2 程式求解一元二次函數7-4-3 繪製一元二次函數7-4-4 使用業績回推應有的拜訪次數7-5 一元二次函數的配方法7-5-1 基本觀念7-5-2 配方法7-5-3 從標準式計算一元二次函數的最大值7-5-4 從標準式計算一元二次函數的最小值7-6 一元二次函數與解答區間7-6-1 行銷問題分析7-6-2 一元二次函數分析增加業績的臉書行銷次數7-6-3 將不等式應用在條件區間7-6-4 非實數根▌第8章 機器學習的最小平方法8-1 最小平方法基本觀念8-1-1 基本觀念8-1-2 數學觀點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8-3-1 觀念啟發8-3-2 三項和的平方8-3-3 公式推導8-3-4 使用配方法計算直線的斜率和截距8-4 Numpy 實作最小平方法8-5 線性迴歸8-6 便利商店飲料銷售實務應用8-7 模型評估指標8-7-1 認識模型評估指標8-7-2 手工計算與程式執行房價模型評估8-7-3 用模型評估指標檢視便利商店飲料銷售▌第9章 機器學習必須懂的集合9-1 使用Python 建立集合9-1-1 使用{ } 建立集合9-1-2 集合元素是唯一9-1-3 使用set( ) 建立集合9-1-4 集合的基數(cardinality)9-1-5 建立空集合要用set( )9-1-6 大數據資料與集合的應用9-2 集合的操作9-2-1 交集(intersection)9-2-2 聯集(union)9-2-3 差集(difference)9-2-4 對稱差集(symmetric difference)9-3 子集、宇集與補集9-3-1 子集9-3-2 宇集9-3-3 補集▌第10章 機器學習必須懂的排列與組合10-1 排列基本觀念10-1-1 實驗與事件10-1-2 事件結果10-1-3 機器學習應用場景10-2 有多少條回家路10-2-1 計算有多少條回家的路10-2-2 回家的路於機器學習的應用場景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11-4-1 不發生機率11-4-2 機率相加11-4-3 機率相乘11-4-4 常見的陷阱11-4-5 Python 模擬事件重複發生的機率計算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11-7-1 基礎觀念11-7-2 擲骰子的其他實例11-8 貝氏定理11-8-1 基本觀念11-8-2 用實例驗證貝氏定理11-8-3 疾病診斷模型11-8-4 客戶購買意願預測11-9 COVID-19 的全民普篩準確性推估11-9-1 COVID-19 準確性推估11-9-2 再看一個醫學實例11-10 垃圾郵件篩選11-10-1 貝氏定理篩選垃圾電子郵件基礎觀念11-10-2 垃圾郵件分類專案實作▌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12-4-1 基礎觀念12-4-2 組合數學觀念12-4-3 係數公式推導與驗證12-5 二項式的通式12-5-1 驗證頭尾係數比較12-5-2 中間項係數驗證12-6 二項式到多項式12-7 二項分佈實驗12-8 用二項式分析國際證照考試業務12-9 二項式機率分佈Python 實作12-10 Numpy 隨機數模組的binomial( ) 函數12-10-1 視覺化模組Seaborn12-10-2 Numpy 的二項式隨機函數binomial12-11 二項分佈的創新應用與機器學習實踐12-11-1 品質控制中的不良品檢測12-11-2 臨床試驗中的藥物療效12-11-3 廣告轉換率的預測12-11-4 機器學習場景 - 二項分佈在二分類問題中的應用▌第13章 指數觀念與指數函數13-1 認識指數函數13-1-1 基礎觀念13-1-2 指數增長的數據預測 – 用戶增長 病毒式行銷13-1-3 指數衰減的數據預測 – 學習率衰減 活躍度衰減13-1-4 用指數觀念看iPhone 容量13-2 指數運算的核心規則與應用13-2-1 指數運算規則13-2-2 指數運算 - 數據標準化13-2-3 指數運算 - 激活函數的應用13-3 指數函數的圖形13-3-1 底數是變數的指數函數圖形13-3-2 指數冪是實數變數▌第14章 機器學習中的對數運算與應用14-1 機器學習中對數概念與應用背景14-1-1 對數的由來14-1-2 從數學看指數的運作觀念14-1-3 再看對數函數14-1-4 天文數字的處理14-1-5 Python 的對數函數應用14-1-6 機器學習 - 對數運算在特徵縮放中的應用14-1-7 機器學習 - 對數變換處理異常值14-1-8 機器學習 - 交叉熵損失函數中的對數應用14-2 對數表的歷史與數據科學應用14-2-1 對數表基礎應用14-2-2 更精確的對數表14-3 對數運算與指數問題的簡化14-3-1 用指數處理相當數值的近似值14-3-2 使用對數簡化運算14-3-3 簡化大數據的乘法與指數操作14-3-4 對數控制指數增長的數據範圍14-4 對數特性與機器學習應用14-5 對數的運算規則與驗證14-5-1 等號兩邊使用對數處理結果不變14-5-2 對數的真數是114-5-3 對數的底數等於真數14-5-4 對數內真數的指數可以移到外面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14-5-7 底數變換▌第15章 指數函數與激活函數的應用15-1 認識歐拉數15-1-1 認識歐拉數15-1-2 歐拉數的緣由15-1-3 歐拉數使用公式做定義15-1-4 計算與繪製歐拉數的函數圖形15-1-5 指數衰減策略中的歐拉數應用15-2 邏輯斯函數15-2-1 認識邏輯斯函數15-2-2 x 是正無限大15-2-3 x 是015-2-4 x 是負無限大15-2-5 繪製邏輯斯函數15-2-6 Sigmoid 函數15-3 logit 函數15-3-1 認識Odds15-3-2 從Odds 到logit 函數15-3-3 繪製logit 函數15-4 邏輯斯函數的應用15-4-1 事件說明與分析15-4-2 從邏輯斯函數到logit 函數15-4-3 使用logit 函數獲得係數15-4-4 邏輯斯函數在二元分類模型中的延伸應用15-5 Softmax 函數的應用▌第16章 機器學習數據處理與統計基礎16-1 機器學習視角 - 母體與樣本16-1-1 母體與樣本16-1-2 機器學習視角看母體與樣本16-2 數據加總與聚合操作16-2-1 符號運算規則、驗證與活用16-2-2 數據加總16-2-3 數據的聚合操作16-3 認識數據分佈與其在機器學習中的應用16-3-1 認識數據分佈16-3-2 數據分佈在機器學習中的應用16-3-3 數據分佈與演算法選擇16-3-4 對數轉換應用於偏態分佈數據16-4 數據中心趨勢與機器學習應用16-4-1 平均數(mean)16-4-2 中位數(median)16-4-3 眾數(mode)16-4-4 機器學習角度執行工資數據分析16-4-5 分數分佈圖16-5 數據分散指標 – 變異數與標準差16-5-1 變異數16-5-2 標準差16-5-3 數據分散指標的應用▌第17章 機器學習的迴歸分析17-1 背景與概念介紹17-2 相關係數(Correlation Coefficient)17-2-1 認識相關係數17-2-2 相關係數在迴歸模型中扮演的角色17-3 建立線性迴歸模型與數據預測17-3-1 建立迴歸模型17-3-2 數據預測17-4 二次函數的迴歸模型17-5 三次函數的迴歸曲線模型17-6 使用scikit-learn 模組評估迴歸模型17-6-1 迴歸模型選擇的基礎觀念17-6-2 更完整解釋評估模型與scikit-learn方法支援17-6-3 預測估計時間的銷售預測17-7 不適合的迴歸分析的實例17-7-1 繪製三次函數迴歸線17-7-2 計算R平方判定係數17-8 不同次數多項式擬合對模型表現的影響▌第18章 機器學習的向量18-1 向量的基礎觀念18-1-1 機器學習的向量知識18-1-2 認識純量18-1-3 認識向量18-1-4 向量表示法18-1-5 計算向量分量18-1-6 相對位置的向量18-1-7 不同路徑的向量運算18-2 向量加法與機器學習的應用18-2-1 認識向量加法規則18-2-2 向量加法在機器學習的應用18-3 向量的長度18-4 向量方程式18-4-1 直線方程式18-4-2 Python 實作連接2點的方程式18-4-3 使用向量建立迴歸方程式的理由18-5 向量內積 餘弦相似度 – 推薦系統設計18-5-1 協同工作的觀念18-5-2 計算B所幫的忙18-5-3 向量內積的定義18-5-4 兩條直線的夾角18-5-5 向量內積的性質18-5-6 餘弦相似度18-5-7 音樂推薦系統設計18-5-8 向量內積的應用18-6 皮爾遜相關係數原理 – 特徵篩選應用18-6-1 網路購物問卷調查案例解說18-6-3 向量內積計算係數18-6-4 皮爾遜相關係數的應用▌第19章 機器學習的矩陣19-1 矩陣的表達方式與機器學習應用場景19-1-1 矩陣的行與列方式19-1-2 矩陣變數名稱19-1-3 常見的矩陣表達方式19-1-4 矩陣元素表達方式19-1-5 行列的定義在機器學習中的應用19-2 矩陣相加 相減與機器學習場景應用19-2-1 基礎觀念19-2-2 Python 定義矩陣19-2-3 機器學習矩陣加法運算場景19-2-4 機器學習矩陣減法運算場景19-3 矩陣乘以實數與機器學習場景應用19-4 矩陣乘法與在機器學習的場景19-4-1 乘法基本規則19-4-2 乘法案例19-4-3 矩陣乘法規則19-4-4 機器學習場景的應用19-5 方形矩陣19-6 單位矩陣19-7 反矩陣與轉置矩陣19-7-1 基礎觀念19-7-2 用反矩陣解聯立方程式19-7-3 轉置矩陣基礎觀念19-7-4 轉置矩陣的規則19-7-5 轉置矩陣與皮爾遜相關係數19-8 深度學習框架的數據表示法 - 張量(Tensor)▌第20章 向量、矩陣與多元線性迴歸20-1 向量和矩陣在多元線性迴歸的重要性20-2 向量應用在線性迴歸20-3 向量應用在多元線性迴歸20-4 矩陣應用在多元線性迴歸20-5 將截距放入矩陣20-6 簡單的線性迴歸20-7 多元線性迴歸矩陣方程式的推導20-8 專題 - 業績預測 用電量預測20-8-1 廣告與銷售20-8-2 家庭用電量預測▌第21章 數據預處理使用Scikit-learn21-1 Scikit-learn 的歷史21-2 機器學習的數據集21-2-1 Scikit-learn 內建的數據集21-2-2 Kaggle 數據集21-2-3 UCI 數據集21-2-4 scikit-learn 函數生成數據21-3 scikit-learn 生成數據實作21-3-1 線性分佈數據 - make_regression21-3-2 集群分佈數據 - make_blobs21-3-3 交錯半月群集數據 - make_moons21-3-4 環形結構分佈的群集數據– make_circles21-3-5 產生n-class 分類數據集21-4 Scikit-learn 數據預處理21-4-1 標準化數據StandardScaler21-4-2 設定數據區間MinMaxScaler21-4-3 特殊數據縮放RobustScaler▌第22章 機器學習使用Scikit-learn 入門22-1 用Scikit-learn 處理線性迴歸22-1-1 身高與體重的資料22-1-2 線性擬合數據LinearRegression22-1-3 資料預測predict22-1-4 模型的儲存與開啟22-1-5 計算線性迴歸線的斜率和截距22-1-6 R 平方判定係數檢驗模型的性能22-2 機器學習分類演算法 - 模型的性能評估22-2-1 計算精確度accuracy_score22-2-2 召回率recall_score22-2-3 精確率precision_score22-2-4 F1 分數f1_score22-2-5 分類報告classification_report22-2-6 混淆矩陣confusion_matrix22-2-7 ROC_AUC 分數22-3 機器學習必需會的非數值資料轉換22-3-1 One-hot 編碼22-3-2 特徵名稱由中文改為英文22-3-3 資料對應map 方法22-3-4 標籤轉換LabelEncoder22-4 機器學習演算法22-5 使用隨機數據學習線性迴歸22-5-1 建立訓練數據與測試數據使用train_test_split22-5-2 迴歸模型判斷22-5-3 score 和r2_score 方法的差異▌第23章 線性迴歸 - 波士頓房價23-1 從線性迴歸到多元線性迴歸23-1-1 簡單線性迴歸23-1-2 多元線性迴歸23-2 簡單資料測試23-2-1 身高、腰圍與體重的測試23-2-2 了解模型的優劣23-3 波士頓房價數據集23-3-1 認識波士頓房價數據集23-3-2 輸出數據集23-4 用Pandas 顯示與預處理數據23-4-1 用Pandas 顯示波士頓房價數據23-4-2 將房價加入DataFrame23-4-3 數據清洗23-5 特徵選擇23-6 使用最相關的特徵做房價預估23-6-1 繪製散點圖23-6-2 建立模型獲得R 平方判定係數、截距與係數23-6-3 計算預估房價23-6-4 繪製實際房價與預估房價23-6-5 繪製3D 的實際房價與預估房價23-7 多項式迴歸23-7-1 繪製散點圖和迴歸直線23-7-2 多項式迴歸公式23-7-3 生成一元二次迴歸公式的多個特徵項目23-7-4 多項式特徵應用在LinearRegression23-7-5 機器學習理想模型23-7-6 多元多項式的迴歸模型23-7-7 繪製3D 的實際房價與預估房價23-8 用所有特徵執行波士頓房價預估23-9 殘差圖(Residual plot)23-10 梯度下降迴歸SGDRegressor23-11 數據洩漏▌第24章 邏輯斯迴歸 - 信用卡 葡萄酒 糖尿病24-1 淺談線性迴歸的問題24-2 邏輯斯迴歸觀念回顧24-2-1 基礎觀念複習24-2-2 應用邏輯斯函數24-2-3 線性迴歸與邏輯斯迴歸的差異24-3 邏輯斯迴歸模型基礎應用24-3-1 語法基礎24-3-2 挽救可能流失的客戶24-3-3 多分類演算法解說24-4 台灣信用卡持卡人數據集24-4-1 認識UCI_Credit_Card.csv 數據24-4-2 挑選最重要的特徵24-4-3 用最相關的2 個特徵設計邏輯斯迴歸模型24-4-4 使用全部的特徵設計邏輯斯迴歸模型24-5 葡萄酒數據24-5-1 認識葡萄酒數據24-5-2 使用邏輯斯迴歸演算法執行葡萄酒分類24-6 糖尿病數據24-6-1 認識糖尿病數據24-6-2 缺失值檢查與處理24-6-3 用直方圖了解特徵分佈24-6-3 用箱形圖了解異常值24-6-4 用所有特徵值做糖尿病患者預估24-6-5 繪製皮爾遜相關係數熱力圖24-6-6 用最相關的皮爾遜相關係數做糖尿病預估▌第25章 決策樹 – 葡萄酒 鐵達尼號 Telco Retail25-1 決策樹基本觀念25-1-1 決策樹應用在分類問題25-1-2 分類問題的決策樹數學分割原理25-1-3 決策樹應用在迴歸問題25-1-4 決策樹在迴歸問題的數學原理25-2 從天氣數據認識決策樹設計流程- 分類應用25-2-1 建立決策樹模型物件25-2-2 天氣數據實例25-3 葡萄酒數據 - 分類應用25-3-1 預設條件處理葡萄酒數據25-3-2 進一步認識決策樹深度25-3-3 繪製決策樹圖25-4 鐵達尼號- 分類應用25-4-1 認識鐵達尼號數據集25-4-2 決策樹設計鐵達尼號生存預測25-4-3 交叉分析25-5 Telco 電信公司- 分類應用25-5-1 認識WA_Fn-UseC_-Telco-Customer-Churn.csv 數據25-5-2 決策樹數據分析25-5-3 了解特徵對模型的重要性25-5-4 交叉驗證 - 決策樹最佳深度調整25-6 Retail Data Analytics - 迴歸應用25-6-1 用簡單的數據預估房價25-6-2 Retail Data Analytics 數據▌第26章 隨機森林 – 波士頓房價 鐵達尼號 Telco 收入分析26-1 隨機森林基本觀念26-1-1 Bagging 技術26-1-2 特徵隨機選擇26-1-3 隨機森林的應用26-1-4 隨機森林的優缺點26-2 波士頓房價 - 迴歸應用26-2-1 隨機森林RandomForestRegressor( )迴歸函數26-2-2 隨機森林 - 波士頓房價應用26-2-3 RandomForestRegressor 的屬性 feature_importances_26-3 鐵達尼號 – 分類應用26-4 Telco 客戶流失 – 分類應用26-5 美國成年人收入分析 – 分類應用26-5-1 認識adult.csv 數據26-5-2 使用決策樹處理年收入預估26-5-3 決策樹特徵重要性26-5-4 使用隨機森林處理adult.csv 檔案▌第27章 KNN 演算法 – 鳶尾花 小行星撞地球27-1 KNN 演算法基礎觀念27-1-1 基礎觀念27-1-2 K 值的影響27-2 電影推薦 足球射門 - 分類應用27-2-1 認識語法與簡單實例27-2-2 電影推薦27-2-3 足球射門是否進球27-2-4 交叉驗證27-2-5 繪製分類的決策邊界(Decision Boundary)27-2-5 多分類模型的準確率分析27-3 房價計算 選舉準備香腸 – 迴歸應用27-3-1 認識語法與簡單實例27-3-2 房價計算27-3-3 選舉造勢與準備烤香腸數量27-3-4 KNN 模型的迴歸線分析27-4 鳶尾花數據 - 分類應用27-4-1 認識鳶尾花數據集27-4-2 輸出數據集27-4-3 用Pandas 顯示鳶尾花數據27-4-4 映射標籤27-4-5 繪製特徵變數的散點圖......

商品規格

試閱文字

自序 : 序
AI 時代已然到來，機器學習成為當前最受矚目的顯學。然而，傳統的機器學習書籍常充滿艱深難懂的數學推導公式，對許多讀者（包括筆者在內）來說，宛如最佳催眠劑。因此，在撰寫這本書時，筆者秉持以下三大原則：
◆ 白話詮釋機器學習知識：用淺顯易懂的語言，讓讀者輕鬆學得會，看得懂。
◆ AI 場景融入數學應用：在介紹基礎數學時，即時融入該知識在機器學習中的應用場景。
◆ 理論結合實務案例：透過實際案例解說，幫助讀者全面掌握理論背後的實際意義。
與多位機器學習領域的專家討論後，我們一致認為，一本好的機器學習書籍應具備以下特色：
◆ 白話解釋數學與演算法：作者應以最淺顯的語言解釋數學原理與演算法，幫助讀者以最簡單的方式掌握機器學習核心。
◆ 從基礎數學入門：介紹與機器學習相關的基礎數學，並輔以彩色圖表和程式實例進行解說，同時說明在AI 場景可能應用。
◆ 統計與機率應用：以圖表和程式實例講解基礎統計概念，並深入說明基礎機率與貝式理論，將理論轉化為未來AI 場景應用與實際操作。
◆ 逐步深入解析演算法：用簡單數據輔助說明演算法原理時，逐步使用 AI 經典數據。
◆ 問題解決策略與技巧：除了基礎理論與程式碼，還應提供針對特定問題的實用策略與技巧，如特徵選擇、模型選擇和超參數調整等。
◆ 實際案例分析：結合真實世界的案例，展示機器學習在現實場景中的應用，讓讀者更直觀地理解如何將理論與技術應用於解決實際問題。
在撰寫本書的過程中，筆者始終以上述特色為指引，力求將這本書打造為目前中文書籍中最完整的機器學習專著。本書共分為34 章，內容架構如下：
◆ 第1 ~ 20章：聚焦數學、機率與統計知識，並結合未來AI場景的應用進行講解。
◆ 第 21 至 22 章：深入解析 Scikit-learn 模組及數據預處理的相關知識。
◆ 第 23 至 34 章：講解機器學習演算法的核心觀念，並透過真實案例進行實務分析。
全書包含約431 個Python 程式實例，讀者可以從中系統性地學習與機器學習相關的數學、機率與統計，以及相關AI 場景應用知識，包括但不限於以下內容：
◆ 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。
當讀者掌握了前述的知識後，筆者將從簡單的實例開始，逐步介紹以下機器學習演算法。每種演算法均以基礎數據為起點，詳細解說其核心概念，接著延伸至真實數據，並說明如何將這些演算法應用於實際案例中，具體實例如下：
◆ 線性迴歸：以波士頓房價為例。
◆ 邏輯斯迴歸：信用卡欺詐檢測、葡萄酒品質分析、糖尿病預測。
◆ 決策樹：葡萄酒品質、鐵達尼號生存預測、Telco 用戶流失、零售分析。
◆ 隨機森林：收入預測、波士頓房價、鐵達尼號、Telco 用戶分析。
◆ KNN 演算法：電影推薦系統、足球射門預測、鳶尾花分類、小行星撞地球風險分析。
◆ 支援向量機：鳶尾花分類、乳癌診斷、汽車燃料效率預測。
◆ 單純貝式分類：垃圾郵件檢測、中英文新聞分類、情感分析、電影評論分類。
◆ 集成機器學習：蘑菇分類、醫療保險成本預測、玻璃材料分析、加州房價預測。
◆ K-means 分群：購物中心消費行為分析、葡萄酒評價分群。
◆ PCA 主成分分析：手寫數字辨識、人臉數據降維。
◆ 階層式分群：小麥品種分類、老實泉噴發分析。
◆ DBSCAN 演算法：購物中心客戶分群分析。
透過這些實例，讀者不僅能深入理解各種演算法的理論與應用，還能學會如何將其靈活運用於現實場景，為後續的進階研究與實務應用打下扎實基礎。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
◆ 用長條圖了解特徵分佈
◆ 用箱型圖了解異常值
◆ 數據預處理
◆ 機器學習性能評估
◆ 殘差圖 (Residual plot)
◆ 過擬合 (overfittng)
◆ 欠擬合 (underfittng)
◆ 泛化能力 (Generalization Ability)
◆ 數據洩漏 (Data leakage)
◆ 數據白化 (whiten)
◆ 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)
◆ 弱學習器 (Weaks learners)
◆ 強學習器 (Strong learners)
◆ 學習模型 (base learner)
這本書雖然沒有專門章節介紹機器學習必須會的繪圖知識matplotlib、seaborn，數據預處理numpy、pandas，但是每個程式在解說時，筆者已經用文字和程式實例講解了這方面的相關知識，無形中讀者就可以學會這方面的知識。
感謝好友銘傳大學前研發長、前統計系系主任張慶輝博士，協助本書校對工作。
寫過許多的電腦書著作，本書沿襲筆者著作的特色，程式實例豐富，相信讀者只要遵循本書內容，必定可以在最短時間，精通使用Python 設計機器學習相關應用的知識。編著本書雖力求完美，但是學經歷不足，謬誤難免，尚祈讀者不吝指正。
洪錦魁2024-11-30
[email protected]
教學資源說明
教學資源有教學投影片。
註：教學資源不提供給一般讀者，請原諒。
讀者資源說明
請至本公司網頁https://deepwisdom.com.tw 下載本書程式實例。
臉書粉絲團
歡迎加入：王者歸來電腦專業圖書系列
歡迎加入：iCoding 程式語言讀書會(Python, Java, C, C++, C#, JavaScript, 大數據,人工智慧等不限)，讀者可以不定期獲得本書籍和作者相關訊息。
歡迎加入：穩健精實AI 技術手作坊
歡迎加入：MQTT 與AIoT 整合應用

最佳賣點

最佳賣點 : 機器學習
最強入門邁向AI高手
王者歸來(全彩印刷)

活動

• 7/20前 全站滿$1,500折$150
• 7/20前 全站滿$3,500折$420
• 7/20前 全站滿$2,200折$220