序
本書第一版上市後，因為淺顯易懂獲得許多讀者的好評。同時也感謝張慶暉博士針對本書提供微積分專有名詞上的指導與建議，以及錯誤的修訂。此外，第二版22 章也針對蘋果銷售數據以線性函數重新設計與執行，最後將線性函數的執行結果與原先非線性Sigmoid 函數的數據擬合做比較，讀者可以更進一步了解非線性函數在機器學習領域的重要性。
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。所以這本書籍最大特色如下：
√微積分原理從 0 開始解說
√彩色圖解微積分的架構思維
√微積分解說生活實例，例如：賽車、西班牙鬥牛、金門高粱酒的稀釋
√手工推導與計算微積分公式
√彩色圖例解說機器學習與微積分的關聯
√大部分觀念皆會使用 Python 程式實作
在徹底研究機器學習後，筆者體會許多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，配合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，這本書講解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，當然全書也搭配約93 個程式實例，全力協助讀者進入現代科技的顯學機器學習。
√極限
√斜率
√用微分找出極值
√認識積分
√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
√認識偏微分
√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
√激勵函數與梯度下降法
√非線性函數與神經網路
√神經網路的數學
√反向傳播法與神經網路的 Python 實例
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2021-6-10
jiinkwei@me.com
