作者簡介

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。

• 第 1 章 機器學習基本觀念(第1-1頁)
  • 1-1 人工智慧、機器學習、深度學習(第1-2頁)
  • 1-2 認識機器學習(第1-3頁)
  • 1-3 機器學習的種類(第1-3頁)
  • 1-4 機器學習的應用範圍(第1-6頁)
  • 1-5 深度學習(第1-7頁)
• 第 2 章 機器學習的基礎數學(第2-1頁)
  • 2-1 用數字描繪事物(第2-2頁)
  • 2-2 變數觀念(第2-2頁)
  • 2-3 從變數到函數(第2-3頁)
  • 2-4 用數學抽象化開餐廳的生存條件(第2-5頁)
  • 2-5 基礎數學的應用與總結(第2-8頁)
• 第 3 章 認識方程式、函數與座標圖形(第3-1頁)
  • 3-1 認識方程式(第3-2頁)
  • 3-2 方程式文字描述方法(第3-3頁)
  • 3-3 一元一次方程式(第3-4頁)
  • 3-4 函數(第3-4頁)
  • 3-5 座標圖形分析(第3-6頁)
  • 3-6 將線性函數應用在機器學習(第3-11頁)
  • 3-7 二元函數到多元函數(第3-15頁)
  • 3-8 Sympy 模組(第3-20頁)
• 第 4 章 從聯立方程式看機器學習的數學模型(第4-1頁)
  • 4-1 數學觀念建立連接兩點的直線(第4-2頁)
  • 4-2 機器學習使用聯立方程式推估數據(第4-5頁)
  • 4-3 從 2 條直線的交叉點推估科學數據(第4-11頁)
  • 4-4 兩條直線垂直交叉(第4-16頁)
  • 4-5 本章總結與下一步展望(第4-20頁)
• 第 5 章 從畢氏定理看機器學習(第5-1頁)
  • 5-1 驗證畢氏定理(第5-2頁)
  • 5-2 將畢氏定理應用在性向測試(第5-3頁)
  • 5-3 將畢氏定理應用在三維空間(第5-5頁)
  • 5-4 將畢氏定理應用在更高維的空間(第5-6頁)
  • 5-5 電影分類(第5-7頁)
  • 5-6 計算兩個向量的歐幾里德距離(第5-9頁)
  • 5-7 本章總結與應用展望(第5-10頁)
第 6 章 聯立不等式與機器學習(第6-1頁)
• 6-1 聯立不等式與機器學習(第6-2頁)
• 6-2 再看聯立不等式的基本觀念(第6-3頁)
• 6-3 聯立不等式的線性規劃(第6-3頁)
• 6-4 Python 計算(第6-8頁)
• 6-5 聯立不等式的商業應用(第6-10頁)
• 6-6 本章總結與應用展望(第6-14頁)
第 7 章 機器學習需要知道的二次函數(第7-1頁)
• 7-1 二次函數的基礎數學(第7-2頁)
• 7-2 從一次到二次函數的實務(第7-13頁)
• 7-3 認識二次函數的係數(第7-15頁)
• 7-4 使用 3 個點求解一元二次函數(第7-16頁)
• 7-5 一元二次函數的配方法(第7-21頁)
• 7-6 一元二次函數與解答區間(第7-24頁)
第 8 章 機器學習的最小平方法(第8-1頁)
• 8-1 最小平方法基本觀念(第8-2頁)
• 8-2 簡單的企業實例(第8-4頁)
• 8-3 機器學習建立含誤差值的線性方程式(第8-5頁)
• 8-4 Numpy 實作最小平方法(第8-9頁)
• 8-5 線性迴歸(第8-11頁)
• 8-6 便利商店飲料銷售實務應用(第8-13頁)
• 8-7 模型評估指標(第8-14頁)
第 9 章 機器學習必須懂的集合(第9-1頁)
• 9-1 使用 Python 建立集合(第9-2頁)
• 9-2 集合的操作(第9-4頁)
• 9-3 子集、宇集與補集(第9-7頁)
第 10 章 機器學習必須懂的排列與組合(第10-1頁)
• 10-1 排列基本觀念(第10-2頁)
• 10-2 有多少條回家路(第10-4頁)
• 10-3 排列組合(第10-5頁)
• 10-4 階乘的觀念(第10-8頁)
• 10-5 重複排列(第10-13頁)
• 10-6 組合(第10-14頁)
第 11 章 機器學習需要認識的機率(第11-1頁)
• 11-1 機率基本觀念(第11-2頁)
• 11-2 數學機率與統計機率(第11-5頁)
• 11-3 事件機率名稱(第11-6頁)
• 11-4 事件機率規則(第11-7頁)
• 11-5 抽獎的機率 – 加法與乘法綜合應用(第11-9頁)
• 11-6 餘事件與乘法的綜合應用(第11-11頁)
• 11-7 條件機率(第11-12頁)
• 11-8 貝氏定理(第11-14頁)
• 11-9 COVID-19 的全民普篩準確性推估(第11-18頁)
• 11-10 垃圾郵件篩選(第11-21頁)
第 12 章 二項式定理(第12-1頁)
• 12-1 二項式的定義(第12-2頁)
• 12-2 二項式的幾何意義(第12-2頁)
• 12-3 二項式展開與規律性分析(第12-3頁)
• 12-4 找出 x(n-k)y(k) 項的係數(第12-4頁)
• 12-5 二項式的通式(第12-6頁)
• 12-6 二項式到多項式(第12-7頁)
• 12-7 二項分佈實驗(第12-8頁)
• 12-8 用二項式分析國際證照考試業務(第12-8頁)
• 12-9 二項式機率分佈 Python 實作(第12-11頁)
• 12-10 Numpy 隨機數模組的 binomial( ) 函數(第12-14頁)
• 12-11 二項分佈的創新應用與機器學習實踐(第12-16頁)
第 13 章 指數觀念與指數函數(第13-1頁)
• 13-1 認識指數函數(第13-2頁)
• 13-2 指數運算的核心規則與應用(第13-11頁)
• 13-3 指數函數的圖形(第13-15頁)
第 14 章 機器學習中的對數運算與應用(第14-1頁)
• 14-1 機器學習中對數概念與應用背景(第14-2頁)
• 14-2 對數表的歷史與數據科學應用(第14-11頁)
• 14-3 對數運算與指數問題的簡化(第14-12頁)
• 14-4 對數特性與機器學習應用(第14-18頁)
• 14-5 對數的運算規則與驗證(第14-19頁)
第 15 章 指數函數與激活函數的應用(第15-1頁)
• 15-1 認識歐拉數(第15-2頁)
• 15-2 邏輯斯函數(第15-8頁)
• 15-3 logit 函數(第15-12頁)
• 15-4 邏輯斯函數的應用(第15-14頁)
• 15-5 Softmax 函數的應用(第15-20頁)
第 16 章 機器學習數據處理與統計基礎(第16-1頁)
• 16-1 機器學習視角 - 母體與樣本(第16-2頁)
• 16-2 數據加總與聚合操作(第16-4頁)
• 16-3 認識數據分佈與其在機器學習中的應用(第16-10頁)
• 16-4 數據中心趨勢與機器學習應用(第16-13頁)
• 16-5 數據分散指標 – 變異數與標準差(第16-19頁)
第 17 章 機器學習的迴歸分析(第17-1頁)
• 17-1 背景與概念介紹(第17-2頁)
• 17-2 相關係數 (Correlation Coefficient)(第17-3頁)
• 17-3 建立線性迴歸模型與數據預測(第17-6頁)
• 17-4 二次函數的迴歸模型(第17-9頁)
• 17-5 三次函數的迴歸曲線模型(第17-12頁)
• 17-6 使用 scikit-learn 模組評估迴歸模型(第17-14頁)
• 17-7 不適合的迴歸分析的實例(第17-21頁)
• 17-8 不同次數多項式擬合對模型表現的影響(第17-22頁)
第 18 章 機器學習的向量(第18-1頁)
• 18-1 向量的基礎觀念(第18-2頁)
• 18-2 向量加法與機器學習的應用(第18-8頁)
• 18-3 向量的長度(第18-13頁)
• 18-4 向量方程式(第18-14頁)
• 18-5 向量內積 / 餘弦相似度 – 推薦系統設計(第18-18頁)
• 18-6 皮爾遜相關係數原理 – 特徵篩選應用(第18-28頁)
第 19 章 機器學習的矩陣(第19-1頁)
• 19-1 矩陣的表達方式與機器學習應用場景(第19-2頁)
• 19-2 矩陣相加 / 相減與機器學習場景應用(第19-4頁)
• 19-3 矩陣乘以實數與機器學習場景應用(第19-8頁)
• 19-4 矩陣乘法與在機器學習的場景(第19-10頁)
• 19-5 方形矩陣(第19-16頁)
• 19-6 單位矩陣(第19-17頁)
• 19-7 反矩陣與轉置矩陣(第19-18頁)
• 19-8 深度學習框架的數據表示法 - 張量 (Tensor)(第19-22頁)
第 20 章 向量、矩陣與多元線性迴歸(第20-1頁)
• 20-1 向量和矩陣在多元線性迴歸的重要性(第20-2頁)
• 20-2 向量應用在線性迴歸(第20-3頁)
• 20-3 向量應用在多元線性迴歸(第20-4頁)
• 20-4 矩陣應用在多元線性迴歸(第20-5頁)
• 20-5 將截距放入矩陣(第20-6頁)
• 20-6 簡單的線性迴歸(第20-7頁)
• 20-7 多元線性迴歸矩陣方程式的推導(第20-7頁)
• 20-8 專題 - 業績預測 / 用電量預測(第20-9頁)
第 21 章 數據預處理使用 Scikit-learn(第21-1頁)
• 21-1 Scikit-learn 的歷史(第21-2頁)
• 21-2 機器學習的數據集(第21-2頁)
• 21-3 scikit-learn 生成數據實作(第21-8頁)
• 21-4 Scikit-learn 數據預處理(第21-24頁)
第 22 章 機器學習使用 Scikit-learn 入門(第22-1頁)
• 22-1 用 Scikit-learn 處理線性迴歸(第22-2頁)
• 22-2 機器學習分類演算法 - 模型的性能評估(第22-12頁)
• 22-3 機器學習必需會的非數值資料轉換(第22-26頁)
• 22-4 機器學習演算法(第22-32頁)
• 22-5 使用隨機數據學習線性迴歸(第22-33頁)
第 23 章 線性迴歸 - 波士頓房價(第23-1頁)
• 23-1 從線性迴歸到多元線性迴歸(第23-2頁)
• 23-2 簡單資料測試(第23-3頁)
• 23-3 波士頓房價數據集(第23-6頁)
• 23-4 用 Pandas 顯示與預處理數據(第23-8頁)
• 23-5 特徵選擇(第23-11頁)
• 23-6 使用最相關的特徵做房價預估(第23-13頁)
• 23-7 多項式迴歸(第23-24頁)
• 23-8 用所有特徵執行波士頓房價預估(第23-35頁)
• 23-9 殘差圖 (Residual plot)(第23-39頁)
• 23-10 梯度下降迴歸 SGDRegressor( )(第23-41頁)
• 23-11 數據洩漏(第23-46頁)
第 24 章 邏輯斯迴歸 - 信用卡/ 葡萄酒/ 糖尿病(第24-1頁)
• 24-1 淺談線性迴歸的問題(第24-2頁)
• 24-2 邏輯斯迴歸觀念回顧(第24-3頁)
• 24-3 邏輯斯迴歸模型基礎應用(第24-6頁)
• 24-4 台灣信用卡持卡人數據集(第24-19頁)
• 24-5 葡萄酒數據(第24-26頁)
• 24-6 糖尿病數據(第24-30頁)
第 25 章 決策樹 - 葡萄酒 / 鐵達尼號 / Telco / Retail(第25-1頁)
• 25-1 決策樹基本觀念(第25-2頁)
• 25-2 從天氣數據認識決策樹設計流程 - 分類應用(第25-13頁)
• 25-3 葡萄酒數據 - 分類應用(第25-16頁)
• 25-4 鐵達尼號- 分類應用(第25-21頁)
• 25-5 Telco 電信公司- 分類應用(第25-29頁)
• 25-6 Retail Data Analytics - 迴歸應用(第25-39頁)
第 26 章 隨機森林 - 波士頓房價 / 鐵達尼號 / Telco / 收入分析(第26-1頁)
• 26-1 隨機森林基本觀念(第26-2頁)
• 26-2 波士頓房價 - 迴歸應用(第26-4頁)
• 26-3 鐵達尼號 – 分類應用(第26-11頁)
• 26-4 Telco 客戶流失 – 分類應用(第26-15頁)
• 26-5 美國成年人收入分析 – 分類應用(第26-17頁)
第 27 章 KNN 演算法 - 鳶尾花 / 小行星撞地球(第27-1頁)
• 27-1 KNN 演算法基礎觀念(第27-2頁)
• 27-2 電影推薦 / 足球射門 - 分類應用(第27-5頁)
• 27-3 房價計算/ 選舉準備香腸 – 迴歸應用(第27-19頁)
• 27-4 鳶尾花數據 - 分類應用(第27-26頁)
• 27-5 小行星撞地球 – 分類應用(第27-44頁)
第 28 章 支援向量機 - 鳶尾花 / 乳腺癌 / 汽車燃料(第28-1頁)
• 28-1 支援向量機分類應用的基礎觀念(第28-2頁)
• 28-2 支援向量機 - 分類應用的基礎實例(第28-6頁)
• 28-3 從 2 維到 3 維的超平面(第28-17頁)
• 28-4 認識核函數(第28-21頁)
• 28-5 鳶尾花數據 - 分類應用(第28-33頁)
• 28-6 乳腺癌數據 - 分類應用(第28-39頁)
• 28-7 支援向量機 – 迴歸應用的基礎實例(第28-45頁)
• 28-8 汽車燃耗效率數據集 - 迴歸分析(第28-50頁)
第 29 章 單純貝式分類 - 垃圾郵件 / 新聞分類 / 電影評論(第29-1頁)
• 29-1 單純貝式分類原理(第29-2頁)
• 29-2 詞頻向量模組 - CountVerctorizer(第29-8頁)
• 29-3 多項式單純貝式模組 - MultinomialNB(第29-13頁)
• 29-4 垃圾郵件分類 – Spambase 數據集(第29-18頁)
• 29-5 新聞郵件分類 – 新聞數據集 20newsgroups(第29-23頁)
• 29-6 情感分析 – 電影評論 IMDB Dataset 分析(第29-34頁)
• 29-7 單純貝式分類於中文的應用(第29-38頁)
• 29-8 今日頭條數據集(第29-43頁)
第 30 章 集成機器學習 - 蘑菇 /醫療保險 / 玻璃 / 加州房價(第30-1頁)
• 30-1 集成學習的基本觀念(第30-2頁)
• 30-2 集成學習 - 投票法 Voting ( 鳶尾 花 / 波士頓房價)(第30-4頁)
• 30-3 集成學習 - 裝袋法 Bagging ( 蘑菇 / 醫療保險)(第30-10頁)
• 30-4 集成學習 - 適應性提升法 AdaBoost(第30-28頁)
• 30-5 集成學習 - 梯度提升法 Gradient Boosting(第30-34頁)
• 30-6 集成學習 – 堆疊法 Stacking(第30-46頁)
第 31 章 K-means 分群 - 購物中心消費 / 葡萄酒評價(第31-1頁)
• 31-1 認識無監督學習(第31-2頁)
• 31-2 K-means 演算法(第31-4頁)
• 31-3 Scikit-learn 的 KMeans 模組(第31-10頁)
• 31-4 評估分群的效能(第31-16頁)
• 31-5 最佳群集數量(第31-21頁)
• 31-6 消費分析 - 購物中心客戶消費數據(第31-24頁)
• 31-7 價格 vs 評價 - 葡萄酒 Wine Reviews(第31-30頁)
第 32 章 PCA 主成份分析 - 手寫數字 / 人臉數據(第32-1頁)
• 32-1 PCA 基本觀念(第32-2頁)
• 32-2 鳶尾花數據的 PCA 應用(第32-9頁)
• 32-3 數字辨識 - 手寫數字 digits dataset(第32-15頁)
• 32-4 人臉辨識 – 人臉數據 Labeled Faces in the Wild(第32-24頁)
第 33 章 階層式分群 - 小麥數據 / 老實泉(第33-1頁)
• 33-1 認識階層式分群(第33-2頁)
• 33-2 凝聚型 (Agglomerative) 分群(第33-3頁)
• 33-3 小麥數據集Seeds dataset(第33-13頁)
• 33-4 老實泉數據 Old Faithful Geyser Data(第33-21頁)
第 34 章 DBSCAN 演算法 - 購物中心客戶分析(第34-1頁)
• 34-1 DBSCAN 演算法(第34-2頁)
• 34-2 scikit-learn 的DBSCAN 模組(第34-4頁)
• 34-3 消費分析 - 購物中心客戶消費數據(第34-8頁)
附錄 A 函數與方法索引表(第A-1頁)