本書有DRM加密保護,需使用HyRead閱讀軟體開啟
  • 機器學習:彩色圖解+基礎微積分+Python實作 王者歸來
  • 點閱:119
  • 作者: 洪錦魁作
  • 出版社:深智數位
  • 出版年:2021[民110]
  • ISBN:978-986-5501-76-1 ; 986-5501-76-7
  • 格式:PDF
  • 版次:初版

近幾年每當無法入眠時,只要拿起人工智能、機器學習或深度學習的書籍,看到複雜的數學公式可以立即進入夢鄉,這些書籍成為我的安眠藥。心中總想寫一本可以讓擁有高中數學程度即可看懂人工智能、機器學習或深度學習的書籍,或是說看了不會想睡覺的機器學習書籍,這個理念成為我撰寫這本書籍很重要的動力。
 
在徹底研究機器學習後,筆者體會應該從基礎數學與微積分開始,有了這些基礎未來才可以設計有靈魂的機器學習應用程式。
 
筆者學校畢業多年體會基礎數學與微積分不是不會與艱難而是生疏了,如果機器學習的書籍可以將複雜公式與理論從基礎開始一步一步推導,使用彩色圖片配Python程式實例解說其實可以很容易帶領讀者進入這個領域,同時感受基礎數學與微積分不再如此艱澀,這也是我撰寫本書時時提醒自己要留意的事項。

 
研究機器學習雖然有很多模組可以使用,但是如果不懂相關數學原理,坦白說筆者不會相信未來你在這個領域會有所成就,這本書筆者從最基礎的微積分起源開始講起,然後依次講解下列與機器學習相關的微積分與高等數學的基本知識,全力協助讀者進入現代科技的顯學機器學習。
 
●極限、斜率
●用微分找出極大值與極小值
●認識積分基礎觀念與使用圖形表達
●積分求面積與體積
●合成函數的微分與積分
●指數的微分與積分
●對數的微分與積分
●簡單的微分方程式
●機率密度函數
●概似函數與最大概似估計
●多重積分與幾何圖形表達
●認識偏微分與梯度
●將偏微分應用在解向量方程式
●將偏微分應用在矩陣運算
●多元迴歸與概似估計
●梯度下降法
●深度學習的層次基礎知識
●學習率與梯度下降法
●激活函數與梯度下降法
●非線性函數與神經網路
●神經網路的數學
●激活函數、反向傳播法與神經網路的Python實例
 
全書搭配92個Python實例。


作者介紹
 
洪錦魁
 
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基礎數學 +Python 實作。
 
除了作品被翻譯為簡體中文、馬來西亞文外,2000 年作品更被翻譯為Mastering HTML 英文版行銷美國,近年來作品則是在北京清華大學和台灣深智同步發行:
 
1:Java 入門邁向高手之路王者歸來
2:Python 最強入門邁向頂尖高手之路王者歸來
3:Python 最強入門邁向數據科學之路王者歸來
4:Python 網路爬蟲:大數據擷取、清洗、儲存與分析王者歸來
5:演算法最強彩色圖鑑 + Python 程式實作王者歸來
6:網頁設計HTML+CSS+JavaScript+jQuery+Bootstrap+Google Map 王者歸來
7:機器學習彩色圖解 + 基礎數學篇 + Python 實作王者歸來
8:R 語言邁向Big Data 之路
9:Excel 完整學習邁向最強職場應用王者歸來
 
他的2020 年著作分別登上天瓏、博客來、Momo 電腦書類暢銷排行榜第一名,他的著作最大的特色是,所有程式語法會依特性分類,同時以實用的程式範例做解說,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。


  • 第一章 微積分的簡史(第1-1頁)
    • 1-1 前言(第1-2頁)
    • 1-2 簡單說明微積分(第1-2頁)
    • 1-3 微積分的教學順序(第1-3頁)
    • 1-4 積分的歷史(第1-3頁)
    • 1-5 微積分的歷史(第1-7頁)
    • 1-6 微積分發明人的世紀之爭(第1-12頁)
  • 第二章 極限(第2-1頁)
    • 2-1 從金門高粱酒說起(第2-2頁)
    • 2-2 極限(第2-5頁)
    • 2-3 收斂與發散(第2-7頁)
    • 2-4 極限計算與 Sympy 模組(第2-10頁)
  • 第三章 斜率(第3-1頁)
    • 3-1 直線的斜率(第3-2頁)
    • 3-2 斜率的意義(第3-3頁)
    • 3-3 曲線的斜率(第3-5頁)
    • 3-4 切線(第3-10頁)
    • 3-5 將極限觀念應用在斜率(第3-11頁)
  • 第四章 微分的基本觀念(第4-1頁)
    • 4-1 微分的數學觀念(第4-2頁)
    • 4-2 微分的計算(第4-3頁)
    • 4-3 微分公式的推導(第4-4頁)
    • 4-4 微分的基本性質(第4-10頁)
  • 第五章 用微分找出極大值與極小值(第5-1頁)
    • 5-1 用微分求二次函數的頂點(第5-2頁)
    • 5-2 體會二次函數與斜率的關係(第5-6頁)
    • 5-3 用切線繪製二次函數(第5-8頁)
    • 5-4 繩索圍起最大的矩形面積(第5-13頁)
    • 5-5 使用微分計算臉書行銷業績最大化(第5-16頁)
    • 5-6 微分找尋極值不一定適用所有函數(第5-19頁)
    • 5-7 微分與 Sympy 模組(第5-21頁)
  • 第六章 積分基礎(第6-1頁)
    • 6-1 積分原理(第6-2頁)
    • 6-2 積分的計算(第6-3頁)
    • 6-3 積分符號(第6-4頁)
    • 6-4 積分意義的圖解說明(第6-5頁)
    • 6-5 原始函數(第6-6頁)
    • 6-6 不定積分(第6-7頁)
    • 6-7 定積分(第6-13頁)
    • 6-8 體會積分的功能(第6-30頁)
    • 6-9 計算 2 個函數所圍住的面積(第6-35頁)
    • 6-10 積分性質(第6-39頁)
    • 6-11 使用微積分應用在時間與距離的運算(第6-44頁)
    • 6-12 Python 實作使用 scipy.optimize(第6-48頁)
  • 第七章 積分求體積(第7-1頁)
    • 7-1 簡單立方體積的計算(第7-2頁)
    • 7-2 計算截面積呈現函數變化的體積(第7-3頁)
    • 7-3 使用微積分推導與驗證圓面積的公式(第7-4頁)
    • 7-4 使用微積分推導與驗證球體積與表面積的公式(第7-8頁)
    • 7-5 使用積分推導圓錐的體積(第7-12頁)
  • 第八章 合成函數的微分與積分(第8-1頁)
    • 8-1 合成函數的基礎觀念(第8-2頁)
    • 8-2 鏈鎖規則的觀念(第8-2頁)
    • 8-3 合成函數的萊布尼茲表示法與運算觀念(第8-3頁)
    • 8-4 合成函數的微分推導(第8-6頁)
    • 8-5 合成函數的積分(第8-7頁)
  • 第九章 指數函數與對數函數的微分與積分(第9-1頁)
    • 9-1 指數的微分(第9-2頁)
    • 9-2 指數的積分(第9-5頁)
    • 9-3 對數的微分與思考(第9-6頁)
    • 9-4 對數的積分(第9-7頁)
    • 9-5 非整數次方的微分與積分(第9-9頁)
    • 9-6 指數與對數的幾個微分與積分的性質說明(第9-11頁)
    • 9-7 邏輯函數的微分(第9-14頁)
  • 第十章 簡單微分方程式的應用(第10-1頁)
    • 10-1 商品銷售分析(第10-2頁)
    • 10-2 數學模型的基礎假設(第10-2頁)
    • 10-3 公式推導(第10-3頁)
    • 10-4 代換積分和對數積分的觀念應用(第10-5頁)
  • 第十一章 機率密度函數(第11-1頁)
    • 11-2 三角形分佈的機率密度函數(第11-2頁)
    • 11-1 了解需求(第11-2頁)
    • 11-3 使用幾何學計算三角形的機率密度分佈(第11-5頁)
    • 11-4 計算 90% 可以完工的天數(第11-7頁)
    • 11-5 將積分應用在計算機率密度函數(第11-8頁)
  • 第十二章 概似函數與最大概似估計(第12-1頁)
    • 12-1 基礎觀念(第12-2頁)
    • 12-2 找出概似函數(第12-2頁)
    • 12-3 進一步認識概似函數(第12-4頁)
    • 12-4 使用微分計算概似最大估計(第12-6頁)
    • 12-5 將對數觀念應用在概似函數(第12-8頁)
  • 第十三章 常態分佈的機率密度函數(第13-1頁)
    • 13-1 認識常態分佈機率密度函數(第13-2頁)
    • 13-2 高斯常態分佈的假設(第13-5頁)
    • 13-3 推導常態分佈(第13-5頁)
    • 13-4 機率密度總和是 1(第13-13頁)
  • 第十四章 多重積分(第14-1頁)
    • 14-1 多重積分的基礎觀念(第14-2頁)
    • 14-2 極坐標的觀念(第14-11頁)
    • 14-3 圓周弧長的觀念(第14-12頁)
    • 14-4 使用雙重積分推導常態分佈機率密度函數(第14-14頁)
  • 第十五章 基礎偏微分(第15-1頁)
    • 15-1 認識偏微分(第15-2頁)
    • 15-2 實務數據到多變數函數(第15-4頁)
    • 15-3 多變數函數的偏微分(第15-6頁)
    • 15-4 解聯立方程式(第15-7頁)
  • 第十六章 將偏微分應用在解向量方程式(第16-1頁)
    • 16-1 將數據轉成向量方程式(第16-2頁)
    • 16-2 對多變數函數做偏微分(第16-4頁)
    • 16-3 解聯立方程式(第16-7頁)
  • 第十七章 將偏微分應用在矩陣運算(第17-1頁)
    • 17-1 對矩陣做偏微分(第17-2頁)
    • 17-2 向量對向量做偏微分(第17-5頁)
    • 17-3 偏微分運算的性質(第17-7頁)
    • 17-4 偏微分的矩陣運算在最小平方法的應用(第17-14頁)
    • 17-5 Python 計算矩陣運算(第17-18頁)
  • 第十八章 使用多元迴歸分析最大概似估計法(第18-1頁)
    • 18-1 多元迴歸的誤差計算(第18-2頁)
    • 18-2 推導誤差的機率密度函數(第18-3頁)
    • 18-3 推導最小平方法與最大概似估計法的關係(第18-4頁)
    • 18-4 最大概似估計法實作(第18-6頁)
  • 第十九章 梯度下降法(第19-1頁)
    • 19-1 斜率與梯度(第19-2頁)
    • 19-2 損失函數(第19-4頁)
    • 19-3 梯度下降法(第19-4頁)
    • 19-4 簡單數學實例(第19-7頁)
    • 19-5 用手計算裝潢新居的時間(第19-11頁)
    • 19-6 Python 程式實作計算裝潢新居的時間(第19-13頁)
  • 第二十章 深度學習的層次基礎知識(第20-1頁)
    • 20-1 深度學習基礎知識(第20-2頁)
    • 20-2 用迴歸模擬多層次的深度學習(第20-3頁)
    • 20-3 認識深度學習的隱藏層符號(第20-4頁)
    • 20-4 認識權重編號(第20-5頁)
    • 20-5 輸出層的推導(第20-5頁)
    • 20-6 隱藏層 u(3) 的推導(第20-6頁)
    • 20-7 隱藏層 u(2) 的推導(第20-8頁)
    • 20-8 最後的輸出層(第20-9頁)
  • 第二十一章 激活函數與梯度下降法(第21-1頁)
    • 21-1 常見的激活函數(第21-2頁)
    • 21-2 Sigmoid 函數的非線性數學模型(第21-6頁)
    • 21-3 網購實例(第21-7頁)
    • 21-4 推導對數概似函數(第21-12頁)
    • 21-5 使用梯度下降法推導迴歸係數(第21-16頁)
    • 21-6 計算網路回購率(第21-30頁)
  • 第二十二章 使用 Sigmoid 函數建立近似函數(第22-1頁)
    • 22-1 銷售蘋果實務與非線性分析(第22-2頁)
    • 22-2 蘋果數據分析(第22-4頁)
    • 22-3 使用 Sigmoid 函數建立上升趨勢線(第22-4頁)
    • 22-4 使用 Sigmoid 函數品質大於 4.4 的下降趨勢線(第22-6頁)
    • 22-5 將上升趨勢線與下降趨勢線相加(第22-8頁)
    • 22-6 製作山峰和山谷函數(第22-9頁)
    • 22-7 組合符合特徵的近似函數(第22-13頁)
    • 22-8 將曲線近似函數與銷售數據結合(第22-14頁)
    • 22-9 將近似函數代入神經網路架構(第22-15頁)
  • 第二十三章 人工神經網路的數學(第23-1頁)
    • 23-1 回顧近似函數(第23-2頁)
    • 23-2 解釋隱藏層基本數學表達式(第23-3頁)
    • 23-3 推導輸入層到隱藏層(第23-4頁)
    • 23-4 進一步推導隱藏層(第23-5頁)
    • 23-5 推導隱藏層到輸出層公式(第23-5頁)
    • 23-6 觀念擴充 – 推估蘋果是否能售出(第23-7頁)
  • 第二十四章 反向傳播法(第24-1頁)
    • 24-1 合成函數微分鏈鎖法的複習(第24-2頁)
    • 24-2 將合成函數微分擴展到偏微分(第24-2頁)
    • 24-3 將鏈鎖法應用到更多層的合成函數(第24-6頁)
    • 24-4 反向傳播的實例(第24-8頁)
    • 24-5 套入非線性函數的反向傳播的實例(第24-16頁)
紙本書 NT$ 600
單本電子書
NT$ 420
還沒安裝 HyRead 3 嗎?馬上免費安裝~
QR Code