防詐3要訣：不聽信、不操作、掛斷電話 
9
1,080972
查詢門市庫存
擺脫碎片化學習，建立不退流行的演算法母語！
內容簡介
https://youtu.be/Djci5GTfEmo
擺脫碎片化學習，建立不退流行的演算法母語！
►第一原理推導 ｜ 434 篇論文錨定，打通演算法底層
►手刻真實代碼 ｜ 100+ 範例，擺脫「看懂卻寫不出」
►階梯思考訓練 ｜ 1,000+ 題庫，課後複習與培訓首選
►在地真實實戰 ｜ 對接台股、實價登錄等台灣真實資料
【Part I 基礎工具】 徹底擺脫相依地獄
‧ Conda / PyTorch / CUDA 環境完美對齊
‧ NumPy / Pandas / Polars 超高效 ETL 實戰
【Part II 經典 ML】 表格資料與小樣本首選
‧ 決策樹、SVM 與 XGBoost / LightGBM 剖析
‧ AutoML 自動建模與 XAI 可解釋性 AI
【Part III 深度學習】 現代 AI 總樞紐
‧ 手刻神經網路、反向傳播矩陣推導
‧ CNN 空間特徵、ViT 與 Transformer 核心數學
專業推薦
林立生—新竹市政府教育處 處長/ 國立屏東大學教育學 博士
呂明峯—明新科技大學 教授/ 明新科技大學校長
馮美瑜—台北城市科技大學 教授/ 台北城市科技大學 校長
林義貴—國立陽明交通大學 終身講座教授/ 國立勤益科技大學 學術副校長/國科會傑出特約研究員獎得主/APIEMS Fellow/ 中國工業工程學會會士/三度榮獲國科會傑出研究獎
呂奇傑—輔仁大學 特聘教授/ 2020-2025 全球前2％科學家
林維昭—長庚大學 教授/ 校務研究中心 執行秘書/2021-2025 全球前2% 頂尖科學家
產品目錄
▍Part I 基礎與工具
第1 章 AI 簡史與當代格局
1.1 人工智慧的三大典範與時代演進
1.2 為什麼Python 主導AI
1.3 本書地圖與閱讀路徑
章末綜合專題 用LLM 整理70 年AI 發展年表
本章重點回顧
第2 章 Anaconda Python 與資料科學工具鏈
2.1 為什麼選Anaconda Python
2.2 Anaconda 安裝與基本配置
2.3 Conda 環境管理
2.4 GPU 環境與 PyTorch 安裝
2.5 開發工具與Jupyter 工作流
2.6 與AI 協作寫程式的工作流與邊界
章末綜合專題 建立個人AI 工作站環境並跑通三個baseline 範例
本章重點回顧
第3 章 NumPy/Pandas/Polars 數值運算
3.1 NumPy 向量化運算
3.2 Pandas DataFrame 核心
3.3 Polars 高效能替代品
3.4 實戰：真實資料清洗與ETL
章末綜合專題 用Pandas+Polars 完成台股ETF 多源資料整合
本章重點回顧
▍Part II 經典機器學習
第4 章 監督式學習基礎與評估
4.1 機器學習問題框架
4.2 訓練/ 驗證/ 測試分割
4.3 偏差- 變異權衡
4.4 評估指標
4.5 實戰：完整ML 流程
本章重點回顧
第5 章 線性模型，樹族與核方法
5.1 線性迴歸與正則化
5.2 邏輯迴歸與機率分類
5.3 決策樹與隨機森林
5.4 SVM 與核方法
5.5 KNN 與Naive Bayes
章末綜合專題 六大經典模型在台灣信貸違約資料上的橫向PK
本章重點回顧
第6 章 集成學習與AutoML
6.1 Bagging 與隨機森林
6.2 Boosting
6.3 工業級實作：XGBoost/LightGBM/CatBoost
6.4 Stacking 模型堆疊
6.5 AutoML
6.6 可解釋AI(XAI)
章末綜合專題 用集成學習+AutoML+XAI 完整解決台灣信貸違約預測
本章重點回顧
第7 章 無監督學習與推薦系統
7.1 聚類
7.2 降維
7.3 異常偵測
7.4 推薦系統
章末綜合專題 用台灣7-Eleven 門市資料跑無監督學習四件組
本章重點回顧
▍Part III 深度學習基礎
第8 章 神經網路原理與PyTorch
8.1 從感知機到深度學習
8.2 PyTorch 基礎
8.3 訓練流程與優化器
8.4 正則化技巧
8.5 [ 深化] 反向傳播矩陣形式與梯度消失
章末綜合專題 用PyTorch 重現深度學習史的三個經典模型
本章重點回顧
第9 章 電腦視覺與CNN
9.1 卷積神經網路核心
9.2 物件偵測
9.3 影像分割
9.4 視覺基礎模型（VLM 視覺部分）
9.5 自監督與少樣本學習
9.6 [ 深化] 感受野計算與ViT 對CNN 的取代
章末綜合專題 用ResNet-50+ViT-Base 雙模型在台灣鳥類資料上做架構對比
本章重點回顧
第10 章 序列模型——從RNN 到Transformer 之前
10.1 RNN 與梯度消失
10.2 LSTM 與GRU
10.3 詞向量演化
10.4 Encoder-Decoder 與注意力起源
10.5 後Transformer 序列模型（2024 復興）
10.6 [ 深化]LSTM 三閘梯度推導
章末綜合專題 用PyTorch 重現序列模型的三個經典里程碑
本章重點回顧
第11 章 Transformer 核心
11.1 從注意力到Self-Attention
11.2 Q/K/V 與縮放
11.3 Multi-Head Attention
11.4 位置編碼
11.5 Encoder-Decoder vs Decoder-only vs Encoder-only
11.6 Transformer 的工程優化
11.7 [ 深化]Attention 縮放因子推導與Multi-Head 數學
章末綜合專題 用PyTorch 從零實作Transformer + 在立法院議事錄上訓練質詢摘要
本章重點回顧
第1 章 AI 簡史與當代格局
1.1 人工智慧的三大典範與時代演進
1.2 為什麼Python 主導AI
1.3 本書地圖與閱讀路徑
章末綜合專題 用LLM 整理70 年AI 發展年表
本章重點回顧
第2 章 Anaconda Python 與資料科學工具鏈
2.1 為什麼選Anaconda Python
2.2 Anaconda 安裝與基本配置
2.3 Conda 環境管理
2.4 GPU 環境與 PyTorch 安裝
2.5 開發工具與Jupyter 工作流
2.6 與AI 協作寫程式的工作流與邊界
章末綜合專題 建立個人AI 工作站環境並跑通三個baseline 範例
本章重點回顧
第3 章 NumPy/Pandas/Polars 數值運算
3.1 NumPy 向量化運算
3.2 Pandas DataFrame 核心
3.3 Polars 高效能替代品
3.4 實戰：真實資料清洗與ETL
章末綜合專題 用Pandas+Polars 完成台股ETF 多源資料整合
本章重點回顧
▍Part II 經典機器學習
第4 章 監督式學習基礎與評估
4.1 機器學習問題框架
4.2 訓練/ 驗證/ 測試分割
4.3 偏差- 變異權衡
4.4 評估指標
4.5 實戰：完整ML 流程
本章重點回顧
第5 章 線性模型，樹族與核方法
5.1 線性迴歸與正則化
5.2 邏輯迴歸與機率分類
5.3 決策樹與隨機森林
5.4 SVM 與核方法
5.5 KNN 與Naive Bayes
章末綜合專題 六大經典模型在台灣信貸違約資料上的橫向PK
本章重點回顧
第6 章 集成學習與AutoML
6.1 Bagging 與隨機森林
6.2 Boosting
6.3 工業級實作：XGBoost/LightGBM/CatBoost
6.4 Stacking 模型堆疊
6.5 AutoML
6.6 可解釋AI(XAI)
章末綜合專題 用集成學習+AutoML+XAI 完整解決台灣信貸違約預測
本章重點回顧
第7 章 無監督學習與推薦系統
7.1 聚類
7.2 降維
7.3 異常偵測
7.4 推薦系統
章末綜合專題 用台灣7-Eleven 門市資料跑無監督學習四件組
本章重點回顧
▍Part III 深度學習基礎
第8 章 神經網路原理與PyTorch
8.1 從感知機到深度學習
8.2 PyTorch 基礎
8.3 訓練流程與優化器
8.4 正則化技巧
8.5 [ 深化] 反向傳播矩陣形式與梯度消失
章末綜合專題 用PyTorch 重現深度學習史的三個經典模型
本章重點回顧
第9 章 電腦視覺與CNN
9.1 卷積神經網路核心
9.2 物件偵測
9.3 影像分割
9.4 視覺基礎模型（VLM 視覺部分）
9.5 自監督與少樣本學習
9.6 [ 深化] 感受野計算與ViT 對CNN 的取代
章末綜合專題 用ResNet-50+ViT-Base 雙模型在台灣鳥類資料上做架構對比
本章重點回顧
第10 章 序列模型——從RNN 到Transformer 之前
10.1 RNN 與梯度消失
10.2 LSTM 與GRU
10.3 詞向量演化
10.4 Encoder-Decoder 與注意力起源
10.5 後Transformer 序列模型（2024 復興）
10.6 [ 深化]LSTM 三閘梯度推導
章末綜合專題 用PyTorch 重現序列模型的三個經典里程碑
本章重點回顧
第11 章 Transformer 核心
11.1 從注意力到Self-Attention
11.2 Q/K/V 與縮放
11.3 Multi-Head Attention
11.4 位置編碼
11.5 Encoder-Decoder vs Decoder-only vs Encoder-only
11.6 Transformer 的工程優化
11.7 [ 深化]Attention 縮放因子推導與Multi-Head 數學
章末綜合專題 用PyTorch 從零實作Transformer + 在立法院議事錄上訓練質詢摘要
本章重點回顧
作者介紹
王彥文
現任明新科技大學教務長暨工業工程與管理系副教授，具逾 20 年高等教育、研究與產學實務經驗。曾主筆教育部大型競爭型計畫，累計爭取逾新臺幣 4 億元經費，並主持或參與多項國科會、教育部及企業產學合作計畫。長期投入 STEAM 跨域教育、人工智慧演算法與 ESG 永續發展，並以系統整合與跨域解題為核心，思考科技如何真正回應教育、產業與社會需求。
身為工業工程領域學者，重視系統思維、資源配置與流程整合，並始終相信：當 AI 工具愈來愈容易取得，真正能形成競爭力的，是對演算法原理、資料流動與工程取捨的理解。
本書延續此一理念，從技術原點與底層邏輯出發，期望協助讀者建立不隨套件與版本更迭而快速過時的 AI 核心素養，以及面對未來技術變革時持續思考與判斷的能力。
FB：
https://www.facebook.com/bryan.wang.9047
IG：
https://www.instagram.com/bryan.wang.9047
黃銀鵬
國立臺灣大學網路多媒體研究所博士候選人，國立成功大學電機工程研究所碩士。投身資訊教育多年，曾任國立臺灣大學資訊系統訓練班資深講師，並於多所大學任教，累積十餘年程式設計、資料處理、網路與多媒體技術教學經驗。
長期面對不同背景的學習者，始終相信：再困難的技術，都能找到讓人真正理解的入口。教學上重視從生活化情境切入，再透過實作逐步建立概念，讓學習者不只知道「怎麼做」，更理解「為什麼這樣做」。
本書延續這樣的教學節奏，由基礎出發、循序漸進，搭配實際範例，陪伴讀者從陌生走向理解，進而具備真正運用技術的能力。
現任明新科技大學教務長暨工業工程與管理系副教授，具逾 20 年高等教育、研究與產學實務經驗。曾主筆教育部大型競爭型計畫，累計爭取逾新臺幣 4 億元經費，並主持或參與多項國科會、教育部及企業產學合作計畫。長期投入 STEAM 跨域教育、人工智慧演算法與 ESG 永續發展，並以系統整合與跨域解題為核心，思考科技如何真正回應教育、產業與社會需求。
身為工業工程領域學者，重視系統思維、資源配置與流程整合，並始終相信：當 AI 工具愈來愈容易取得，真正能形成競爭力的，是對演算法原理、資料流動與工程取捨的理解。
本書延續此一理念，從技術原點與底層邏輯出發，期望協助讀者建立不隨套件與版本更迭而快速過時的 AI 核心素養，以及面對未來技術變革時持續思考與判斷的能力。
FB：
https://www.facebook.com/bryan.wang.9047
IG：
https://www.instagram.com/bryan.wang.9047
黃銀鵬
國立臺灣大學網路多媒體研究所博士候選人，國立成功大學電機工程研究所碩士。投身資訊教育多年，曾任國立臺灣大學資訊系統訓練班資深講師，並於多所大學任教，累積十餘年程式設計、資料處理、網路與多媒體技術教學經驗。
長期面對不同背景的學習者，始終相信：再困難的技術，都能找到讓人真正理解的入口。教學上重視從生活化情境切入，再透過實作逐步建立概念，讓學習者不只知道「怎麼做」，更理解「為什麼這樣做」。
本書延續這樣的教學節奏，由基礎出發、循序漸進，搭配實際範例，陪伴讀者從陌生走向理解，進而具備真正運用技術的能力。
規格
誠品貨碼 / 2683221345006
ISBN13 / 9786267889725
ISBN10 /
EAN貨碼 / 9786267889725
頁數 / 1008
裝訂 / P:平裝
語言 / 1:中文/繁體
尺寸 / 17X23X4.8CM
級別 / N: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
