第1 章 機器學習基本觀念

1-1 人工智慧、機器學習、深度學習

1-2 認識機器學習

1-3 機器學習的種類

1-4 機器學習的應用範圍

1-5 深度學習



第2 章 機器學習的基礎數學

2-1 用數字描繪事物

2-2 變數觀念

2-3 從變數到函數

2-4 等式運算的規則

2-5 代數運算的基本規則

2-6 用數學抽象化開餐廳的生存條件

2-7 基礎數學的結論



第3 章 認識方程式/函數/座標圖形

3-1 認識方程式

3-2 方程式文字描述方法

3-3 一元一次方程式

3-4 函數

3-5 座標圖形分析

3-6 將線性函數應用在機器學習

3-7 二元函數到多元函數

3-8 Sympy 模組



第4 章 從聯立方程式看機器學習的數學模型

4-1 數學觀念建立連接兩點的直線

4-2 機器學習使用聯立方程式推估數據

4-3 從2 條直線的交叉點推估科學數據

4-4 兩條直線垂直交叉



第5章 從畢氏定理看機器學習

5-1 驗證畢氏定理

5-2 將畢氏定理應用在性向測試

5-3 將畢氏定理應用在三維空間

5-4 將畢氏定理應用在更高維的空間

5-5 電影分類

5-6 計算兩個向量的歐幾里德距離



第6章 聯立不等式與機器學習

6-1 聯立不等式與機器學習

6-2 再看聯立不等式的基本觀念

6-3 聯立不等式的線性規劃

6-4 Python 計算



第7 章 機器學習需要知道的二次函數

7-1 二次函數的基礎數學

7-2 從一次到二次函數的實務

7-3 認識二次函數的係數

7-4 使用3 個點求解一元二次函數

7-5 二次函數的配方法

7-6 二次函數與解答區間



第8 章 機器學習的最小平方法

8-1 最小平方法基本觀念

8-2 簡單的企業實例

8-3 機器學習建立含誤差值的線性方程式

8-4 Numpy 實作最小平方法

8-5 線性迴歸

8-6 實務應用



第9 章 機器學習必須懂的集合

9-1 使用Python 建立集合

9-2 集合的操作

9-3 子集、宇集與補集

9-4 加入與刪除集合元素

9-5 冪集與Sympy 模組

9-6 笛卡兒積



第10 章 機器學習必須懂的排列與組合

10-1 排列基本觀念

10-2 有多少條回家路

10-3 排列組合

10-4 階乘的觀念

10-5 重複排列

10-6 組合



第11 章 機器學習需要認識的機率

11-1 機率基本觀念

11-2 數學機率與統計機率

11-3 事件機率名稱

11-4 事件機率規則

11-5 抽獎的機率 – 加法與乘法綜合應用

11-6 餘事件與乘法的綜合應用

11-7 條件機率

11-8 貝氏定理

11-9 蒙地卡羅模擬

11-10 Numpy 的隨機模組random



第12 章 二項式定理

12-1 二項式的定義

12-2 二項式的幾何意義

12-3 二項式展開與規律性分析

12-4 找出xn-kyk 項的係數

12-5 二項式的通式

12-6 二項式到多項式

12-7 二項分佈實驗

12-8 將二項式觀念應用在業務數據分析

12-9 二項式機率分佈Python 實作

12-10 Numpy 隨機數模組的binomial( ) 函數



第13 章 指數觀念與指數函數

13-1 認識指數函數

13-2 指數運算的規則

13-3 指數函數的圖形



第14 章 對數(logarithm)

14-1 認識對數函數

14-2 對數表的功能

14-3 對數運算可以解決指數運算的問題

14-4 認識對數的特性

14-5 對數的運算規則與驗證



第15 章 歐拉數與邏輯函數

15-1 歐拉數

15-2 邏輯函數

15-3 logit 函數

15-4 邏輯函數的應用



第16 章 三角函數

16-1 直角三角形的邊長與夾角

16-2 三角函數的定義

16-3 計算三角形的面積

16-4 角度與弧度

16-5 程式處理三角函數

16-6 從單位圓看三角函數

16-7 三角函數與機器學習的關係



第17 章 基礎統計與大型運算子

17-1 母體與樣本

17-2 數據加總

17-3 數據分佈

17-4 數據中心指標

17-5 數據分散指標

17-6 符號運算規則與驗證

17-7 活用符號

17-8 迴歸分析

17-9 隨機函數的分佈



第18 章 機器學習的向量

18-1 向量的基礎觀念

18-2 向量加法的規則

18-3 向量的長度

18-4 向量方程式

18-5 向量內積

18-6 皮爾遜相關係數

18-7 向量外積



第19 章 機器學習的矩陣

19-1 矩陣的表達方式

19-2 矩陣相加與相減

19-3 矩陣乘以實數

19-4 矩陣乘法

19-5 方形矩陣

19-6 單位矩陣

19-7 反矩陣

19-8 用反矩陣解聯立方程式

19-9 張量(Tensor)

19-10 轉置矩陣



第20 章 向量、矩陣與多元線性回歸

20-1 向量應用在線性迴歸

20-2 向量應用在多元線性迴歸

20-3 矩陣應用在多元線性迴歸

20-4 將截距放入矩陣

20-5 簡單的線性迴歸



第21 章 三次函數迴歸曲線的程式實作

21-1 繪製數據的散點圖

21-2 三次函數的迴歸曲線模型

21-3 使用scikit-learn 模組評估迴歸模型

21-4 預測未來值

21-5 不適合的三次函數迴歸數據



第22 章 機器學習使用scikit-learn 入門

22-1 scikit-learn 的歷史

22-2 機器學習的數據集

22-3 scikit-learn 生成數據實作

22-4 scikit-learn 數據預處理

22-5 機器學習scikit-learn 入門

22-6 分類演算法 - 機器學習模型的性能評估

22-7 機器學習必需會的非數值資料轉換

22-8 機器學習演算法

22-9 使用隨機數據學習線性迴歸



第23 章 線性迴歸 - 波士頓房價

23-1 從線性迴歸到多元線性迴歸

23-2 簡單資料測試

23-3 波士頓房價數據集

23-4 用Pandas 顯示與預處理數據

23-5 特徵選擇

23-6 使用最相關的特徵做房價預估

23-7 多項式迴歸

23-8 用所有特徵執行波士頓房價預估

23-9 殘差圖(Residual plot)

23-10 梯度下降迴歸SGDRegressor( )



第24 章 邏輯迴歸 - 信用卡/葡萄酒/糖尿病

24-1 淺談線性迴歸的問題

24-2 邏輯迴歸觀念回顧

24-3 邏輯迴歸模型基礎應用

24-4 台灣信用卡持卡人數據集

24-5 葡萄酒數據

24-6 糖尿病數據



第25 章 決策樹 – 葡萄酒/鐵達尼號/Telco/Retail

25-1 決策樹基本觀念

25-2 從天氣數據認識決策樹設計流程 - 分類應用

25-3 葡萄酒數據 - 分類應用

25-4 鐵達尼號- 分類應用

25-5 Telco 電信公司- 分類應用

25-6 Retail Data Analytics - 迴歸應用



第26 章 隨機森林樹 – 波士頓房價/鐵達尼號/Telco/收入分析

26-1 隨機森林樹基本觀念

26-2 波士頓房價 - 迴歸應用

26-3 鐵達尼號 – 分類應用

26-4 Telco 客戶流失 – 分類應用

26-5 美國成年人收入分析 – 分類應用



第27 章 KNN 演算法 – 鳶尾花/小行星撞地球

27-1 KNN 演算法基礎觀念

27-2 電影推薦/ 足球射門 - 分類應用

27-3 房價計算/ 選舉準備香腸 – 迴歸應用

27-4 鳶尾花數據 - 分類應用

27-5 小行星撞地球 – 分類應用



第28 章 支援向量機 – 鳶尾花/乳癌/汽車燃料

28-1 支援向量機的基礎觀念

28-2 支援向量機 - 分類應用的基礎實例

28-3 從2 維到3 維的超平面

28-4 認識核函數

28-5 鳶尾花數據 - 分類應用

28-6 乳癌數據 - 分類應用

28-7 支援向量機 – 迴歸應用的基礎實例

28-8 汽車燃耗效率數據集 - 迴歸分析



第29 章 單純貝式分類 – 垃圾郵件/新聞分類/電影評論

29-1 單純貝式分類原理

29-2 詞頻向量模組CountVerctorizer

29-3 多項式單純貝式模組 - MultinomialNB

29-4 垃圾郵件分類 – Spambase 數據集

29-5 新聞郵件分類 – 新聞數據集20newsgroups

29-6 情感分析 – 電影評論IMDB Dataset 分析

29-7 單純貝式分類於中文的應用

29-8 今日頭條數據集



第30 章 集成機器學習 – 蘑菇/ 醫療保險/玻璃/加州房價

30-1 集成學習的基本觀念

30-2 集成學習 - 投票法Voting (鳶尾花/波士頓房價)

30-3 集成學習 - 裝袋法Bagging (蘑菇/醫療保險)

30-4 集成學習 - 提升法AdaBoost(糖尿病/波士頓房價)

30-5 集成學習 - 提升法Gradient Boosting(玻璃/加州房價)

30-6 集成學習 – 堆疊法Stacking(信用卡違約/房價預估)



第31 章 K-means 分群 – 購物中心消費/葡萄酒評價

31-1 認識無監督學習

31-2 K-means 演算法

31-3 scikit-learn 的KMeans 模組

31-4 評估分群的效能

31-5 最佳群集數量

31-6 消費分析 - 購物中心客戶消費數據

31-7 價格 vs 評價 - 葡萄酒Wine Reviews



第32 章 PCA 主成份分析 – 手寫數字/人臉數據

32-1 PCA 基本觀念

32-2 鳶尾花數據的PCA 應用

32-3 數字辨識 - 手寫數字digits dataset

32-4 人臉辨識 – 人臉數據Labeled Faces in the Wild



第33 章 階層式分層 – 小麥數據/老實泉

33-1 認識階層式分群

33-2 凝聚型(Agglomerative) 分群

33-3 小麥數據集Seeds dataset

33-4 老實泉數據Old Faithful Geyser Data



第34 章 DBSCAN 演算法 – 購物中心客戶分析

34-1 DBSCAN 演算法

34-2 scikit-learn 的DBSCAN 模組

34-3 消費分析 - 購物中心客戶消費數據



第35 章 語音辨識

35-1 語音轉文字

35-2 文字轉語音



附錄A 函數與方法索引表

附錄B 電子書 - 本書程式實例彩色執行結果圖表



?

序



　　AI 時代來了，機器學習成為當今的顯學。過去閱讀機器學習的相關書籍，最常看到的是艱澀難懂的數學推導公式，對於許多讀者而言可能是很好的催眠劑，至少對筆者而言是如此。因此，筆者撰寫這本書的初衷是：



　　● 機器學習的知識，用最白話的方式，讓大家可以輕鬆看得懂，學得會。

　　● 理論解說，搭配實際案例探討，讓讀者可以徹底了解理論與實務。



　　和許多機器學習領域的專家討論，大家一致認同，一本好的機器學習書籍必須有下列特色：



　　● 作者應該時時刻刻用最白話解釋數學原理或演算法，讓讀者以最簡單的方式學會機器學習。

　　● 從機器學習有關基礎數學說起，同時輔助圖表與程式實例解說。

　　● 用圖表與程式實例解說基礎統計觀念。

　　● 說明基礎機率與貝式理論，用程式將理論化為實作。

　　● 解說機器學習有關的 scikit-learn 方法，同時用簡單數據理解此方法。

　　● 從簡單的數據開始說明機器學習的演算法。

　　● 實用的程式碼範例，理論知識與實際應用之間可能有巨大的差異，一本好的書應該提供一些程式碼範例，讓讀者能理解如何將這些理論知識轉化為實際的程式碼。

　　● 針對問題的策略與技巧，除了基礎理論和程式碼範例外，一本好的書應該能提供一些針對特定問題的策略和技巧，例如特徵選擇、模型選擇、超參數調整等。

　　● 實際案例分析，實際的案例能讓讀者理解如何在現實世界中應用機器學習，書籍應該包含一些真實世界的案例分析，來說明如何應用這些理論知識和技巧。



　　撰寫本書時，筆者時時刻刻將上述特色放在內心，最後則呈現這本應該是目前中文書籍機器學習領域最完整的著作。全書內容有35章，前面21章是基礎數學、統計、機率相關知識。第22 ~ 34章是用scikit-learn為基礎，介紹機器學習演算法的觀念，以及真實案例分析。第35章則是以現成的模組，介紹語音辨識，讀者可以學會如何讀取語音輸入，或是將文字轉成語音。全書有約416個Python程式實例，讀者可以由本書內容，了解下列與機器學習有關的基礎數學、機率、統計知識：

　

　　● 方程式與函數

　　● 一元函數到多元函數

　　● 最小平方法

　　● 基礎統計

　　● 機率與單純貝式理論

　　● 指數與對數

　　● logit 函數與 logis??c 函數

　　● 向量與矩陣

　　● 二次函數、三次函數與多項式函數



　　當讀者有了上述知識後，筆者從簡單的實例開始介紹下列機器學習的演算法，每一種演算法皆是從基礎數據開始解說，然後跨入真實數據，解說應該如何將演算法應用到真實案例環境：



　　● 線性迴歸 – 波士頓房價

　　● 邏輯迴歸 – 信用卡 / 葡萄酒 / 糖尿病

　　● 決策樹 – 葡萄酒 / 鐵達尼號 /Telco/Retail

　　● 隨機森林樹 – 波士頓房價 / 鐵達尼號 /Telco/ 收入分析

　　● KNN 演算法 – 電影推薦 / 足球射門 / 鳶尾花 / 小行星撞地球

　　● 支援向量機 – 鳶尾花 / 乳癌 / 汽車燃料

　　● 單純貝式分類 – 垃圾郵件 / 中英文的新聞分類 / 情感分析 / 電影評論

　　● 集成機器學習 – 蘑菇 / 醫療保險 / 玻璃 / 加州房價

　　● K-means 分群 – 購物中心消費 / 葡萄酒評價

　　● PCA 主成分分析 – 手寫數字 / 人臉數據

　　● 階層式分群 – 小麥數據 / 老實泉

　　● DBSCAN 演算法 – 購物中心客戶分析



　　在講解上述演算法時，筆者同時介紹下列機器學習應該知道的知識：

　　● 特徵選擇

　　● 用直方圖了解特徵分佈

　　● 用箱型圖了解異常值

　　● 數據預處理

　　● 殘差圖 (Residual plot)

　　● 機器學習性能評估

　　● 數據洩漏 (Data leakage)

　　● 繪製決策樹圖 (Decision tree map)

　　● 可視化熱力圖 (Heat map)

　　● 決策邊界 (Decision Boundary)

　　● 增加數據維度與超平面

　　● 交叉驗證 (Cross-valida??on)

　　● 泛化能力 (Generaliza??on Ability)

　　● 過擬合 (overfi??ng)

　　● 欠擬合 (underfi??ng)

　　● 弱學習器 (Weaks learners)

　　● 強學習器 (Strong learners)

　　● 學習模型 (base learner)



　　本書最後一章，介紹了熱門的AI 主題「語音辨識」，從本章內容讀者可以學會下列知識：

　　● 語音轉文字

　　● 文字轉語音



　　這本書雖然沒有專門章節介紹機器學習必須會的繪圖知識matplotlib、seaborn，數據預處理numpy、pandas，但是每個程式在解說時，筆者已經用文字和程式實例講解了這方面的相關知識，無形中讀者就可以學會這方面的知識。



　　感謝好友銘傳大學前研發長、統計系系主任，張慶暉博士，協助本書校對工作。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，精通使用Python 設計機器學習相關應用的知識。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2023-07-30

　　jiinkwei@me.com



　　教學資源說明

　　教學資源有教學投影片。

　　註：教學資源不提供給一般讀者，請原諒。

? ?

　　讀者資源說明

　　請至本公司網頁deepwisdom.com.tw 下載本書程式實例與習題所需的相關檔案，以及相關附錄B之電子書資源，這些文件以Word檔案呈現。



　　臉書粉絲團

　　● 歡迎加入：王者歸來電腦專業圖書系列

　　● 歡迎加入：iCoding 程式語言讀書會(Python, Java, C, C++, C#, JavaScript, 大數據,人工智慧等不限)，讀者可以不定期獲得本書籍和作者相關訊息。

　　● 歡迎加入：穩健精實AI 技術手作坊

?