兒童自然生態展
機器學習最強入門 - 基礎數學/機率/統計邁向AI真實數據專題實作 - 王者歸來

機器學習最強入門 - 基礎數學/機率/統計邁向AI真實數據專題實作 - 王者歸來

  • 定價:980
  • 優惠價:79774
  • 優惠期限:2024年06月30日止
  • 運送方式:
  • 臺灣與離島
  • 海外
  • 可配送點:台灣、蘭嶼、綠島、澎湖、金門、馬祖
  • 可取貨點:台灣、蘭嶼、綠島、澎湖、金門、馬祖
  • 台北、新北、基隆宅配快速到貨(除外地區)
載入中...
  • 分享
 

內容簡介

機器學習最強入門
基礎數學/機率/統計
邁向
AI真實數據 x 專題實作

  ★★★★★【數學原理 + 演算法 + 真實案例+ 專題實作】★★★★★
  ★★★★★【最簡明的數學、機率、統計知識】★★★★★
  ★★★★★【最完整的機器學習演算法】★★★★★
  ★★★★★【最豐富的真實數據 x 專題實作】★★★★★

本書特色

  ★最白話解釋數學原理
  ☆從簡單的數據開始理解機器學習的演算法
  ★將理論知識轉化為實際的程式碼
  ☆實際案例分析
  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
  ☆ 完整Python語法
  ★ 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logistic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
  ★過擬合(overfitting)
  ☆欠擬合(underfitting)
  ★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-validation)
  ★泛化能力(Generalization Ability)
  ☆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

  ※ 本書所有程式實例可至深智官網下載:deepwisdom.com.tw
 
 

作者介紹

作者簡介

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。
  人工智慧時代他的代表作品是機器學習基礎數/微積分 + Python實作。

  作品曾被翻譯為簡體中文、馬來西亞文、英文,近年來作品則是在北京清華大學和台灣深智同步發行:
  1:C、Java、Python、C#、R最強入門邁向頂尖高手之路王者歸來
  2:OpenCV影像創意邁向AI視覺王者歸來
  3:Python網路爬蟲:大數據擷取、清洗、儲存與分析王者歸來
  4:演算法邏輯思維 + Python程式實作王者歸來
  5:Python從2D到3D資料視覺化
  6:網頁設計HTML+CSS+JavaScript+jQuery+Bootstrap+Google Maps王者歸來
  7:機器學習彩色圖解 + 基礎數學、基礎微積分 + Python實作王者歸來
  8:Excel完整學習、Excel函數庫、Excel VBA應用王者歸來
  9:Python操作Excel最強入門邁向辦公室自動化之路王者歸來
  10:Power BI最強入門 – AI視覺化+智慧決策+雲端分享王者歸來

  他的多本著作皆曾登上天瓏、博客來、Momo電腦書類,各個時期暢銷排行榜第1名,他的著作最大的特色是,所有程式語法或是功能解說會依特性分類,同時以實用的程式範例做解說,不賣弄學問,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。
 

目錄

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

 
 



  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
 
 

詳細資料

  • ISBN:9786267273784
  • 規格:平裝 / 840頁 / 17 x 23 x 3.8 cm / 普通級 / 單色印刷 / 初版
  • 出版地:台灣

會員評鑑

4.5
3人評分
|
3則書評
|
立即評分
user-img
3.0
|
2024/03/09
以實例介紹不同的機器學習模型的應用,內容淺顯易懂,但實體書為黑白印刷,非試閱所呈現的彩色,建議應標明清楚,以免混淆消費者。
展開
user-img
5.0
|
2023/12/02
書裡內容包含了豐富的數據和專題實作,用最白話的方式解說複雜的原理,讓人能夠輕鬆理解,對機器學習有興趣的很推這本。
展開
user-img
4.5
|
2023/10/25
|
電子書
好書推薦,
用白話的方式帶入每個觀念,
再配以圖例說明,
最後提出生活化的應用實例搭配淺顯易懂的範例程式碼,
關鍵的程式碼還添加說明文字,
本書大大降低對數學有恐懼的讀者,
讓喜歡AI的讀者更易進入該領域。
展開

最近瀏覽商品

 

相關活動

  • 【科普、電腦、飲食】高寶電子書暢銷書展:人生就是選擇的總和,全展75折起
 

購物說明

若您具有法人身份為常態性且大量購書者,或有特殊作業需求,建議您可洽詢「企業採購」。 

退換貨說明 

會員所購買的商品均享有到貨十天的猶豫期(含例假日)。退回之商品必須於猶豫期內寄回。 

辦理退換貨時,商品必須是全新狀態與完整包裝(請注意保持商品本體、配件、贈品、保證書、原廠包裝及所有附隨文件或資料的完整性,切勿缺漏任何配件或損毀原廠外盒)。退回商品無法回復原狀者,恐將影響退貨權益或需負擔部分費用。 

訂購本商品前請務必詳閱商品退換貨原則 

  • 夏日藝術節
  • 親子天下
  • 三采全書系