序
這是第二版的書籍，相較於原先第一版的書籍，這一本增加下列資料：
1：解說機器學習常用的長條圖、直方圖以及網格影像的觀念。
2：解說LaTeX語法，未來可以在圖表上更加活用數學公式。
3：機器學習的數據預測。
4：補充說明Numpy模組的機率模組random，同時用隨機數建立圖像。
5：增加說明Seaborn模組，提高繪圖效率。
6：說明Numpy模組的binomial( )函數，同時應用在二項氏定理。
7：更完整解說基礎統計的知識，例如：平均值、變異數、標準差、數據中心指標、數據離散指標、數據分布、迴歸分析、多次函數的迴歸模型。
8：三次函數觀念、數據擬合、決定係數與迴歸曲線製作，同時判斷是不是好的迴歸模型。
9：機器學習模組scikit-learn，監督學習與無監督學習。
10：新增加約55個程式實例。
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，筆者體會許多基礎數學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從基礎開始一步一步推導，其實可以很容易帶領讀者進入這個領域，同時感受數學不再如此艱澀，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，這本書講解了下列相關數學的基本知識。
資料視覺化使用matplotlib
基礎數學模組Math
基礎數學模組Sympy
數學應用模組Numpy
機器學習基本觀念
從方程式到函數
方程式與機器學習
從畢氏定理看機器學習
聯立方程式與聯立不等式與機器學習
機器學習需要知道的二次函數
機器學習的最小平方法
機器學習必須知道的集合與機率
機率觀念與貝式定理的運用－COVID-19的全民普篩準確性推估
筆者講解指數與對數的運算規則，同時驗證這些規則
除了講解機器學習很重要的歐拉數(Euler’s Number)，更說明歐拉數的由來
認識邏輯(logistic)函數與logit函數
三角函數
大型運算子運算
向量、矩陣與線性迴歸
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機器學習的基礎數學，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2021-4-10
jiinkwei@me.com
