零基礎入門的機器學習圖鑑：2大類機器學習 X 17種演算法 X Python 基礎教學，讓你輕鬆學以致用 見て試してわかる機械学習アルゴリズムの仕組み 機械学習図鑑

★★★最淺顯易懂的機器學習專書★★★
與其害怕被AI取代，
不如學會機器學習，讓AI為你所用！

★ 日本亞馬遜資訊相關類暢銷榜No. 1

．針對各類機器學習全圖像化，深入淺出的機器學習入門書
．詳解各種機器學習演算法的概念和用途，學會如何選對演算法
．所有機器學習演算法皆提供Python範例程式碼，讓你現學現用

【什麼是機器學習？】
人工智慧（AI）、機器學習、深度學習⋯⋯與人類的生活密不可分，
但多數人對這些專有名詞一知半解，甚至有些誤解，
實現 AI 的方法包羅萬象，但機器學習是實現AI最普及的方法，
有些人誤以為深度學習就是AI，但事實上深度學習也是種機器學習。

機器學習顧名思義，就是電腦會透過演算法，根據問題或環境自動學習，
並運用學習結果來解決問題。

【機器學習的應用觸及各領域】
機器學習可以應用在各種領域，包括：
自動駕駛、文書處理、資料分析、自動翻譯、醫療診斷、預測天氣⋯⋯

近年來，因為電腦價格降低，讓機器學習普及，不再是高深的技術，
讓非理科出身的文科人也能容易學習，運用在工作上。
由於機器學習有許多種類，因此懂得如何選擇最適合的演算法，
才能讓精準解決問題，事半功倍。

【2大類 ╳ 17種演算法，弄懂機器學習的邏輯與概念】
◎ 9種監督式學習：將問題的答案輸入電腦，讓電腦自己學習，像是過濾垃圾郵件
．問題分類（分類）：羅吉斯迴歸、單純貝氏分類器
．找出特徵關聯性（迴歸）：線性迴歸、正則化
．分類且找出關聯性：支持向量機、Kernel法、隨機森林、類神經網路、kNN

◎ 8種無監督式學習：提供電腦問題與特徵，讓電腦自行分類，例如找出有車的照片
．選擇特徵與數量（降維）： PCA、LSA、NMF、LDA、LLE、t-SNE
．特徵分類（分群）：k-means分群法、高斯混合分布

【Python是時下最熱門的程式語言】
在學習機器學習的演算法時，
Python是最容易上手，適用於各作業系統，也完全免費的程式語言軟體，
與機器學習及統計相關的函式庫也非常豐富。
本書所有範例程式碼都是使用Python語法編寫，
因此書中還附有Python基礎教學。

本書用一張圖帶你掌握機器學習的整體輪廓，學會機器學習的基礎知識和概念，
了解在學習機器學習的演算法時最重要的處理過程，
幫你學會如何精準選對演算法，只要掌握每一種演算法的性質，
相信就能學會實際操作機器學習，解決生活和工作上的問題，讓AI為你所用！

【本書適合哪些人閱讀？】
．對機器學習感興趣，已經開始學習的人
．已懂得一些機器學習演算法，想學習更多的人
．不熟悉方程式，看不懂機器學習專書的人
．想學會如何因應問題來選擇機器學習演算法的人
．有程式設計經驗，有能力執行範例程式碼的人

<名人/編輯推薦>

【專業推薦】

李忠謀｜國立台灣師範大學資訊工程系教授、國際資訊奧林匹亞競賽主席
資工心理人｜竹謙科技研發工程師
鄭國威｜泛科知識公司知識長
蘇書平｜為你而讀／人資商學院創辦人 

「這本書可作為對機器學習完全不懂的新手，踏入這個領域的敲門磚，本書先是說明機器學習的基礎知識，接著介紹17種機器學習的基礎演算法，每個章節皆有實際的程式碼範例，並且用圖片來視覺化這些演算法是如何去處理分類資料，建議讀者可以邊學邊做，嘗試著書中的程式碼來解決問題，相信會有滿滿的收穫，讓您在讀完本書之後，也能夠掌握機器學習的基礎知識，不管是要面對實作的問題，或者是學習更進階的方法，都能夠無往不利。」──資工心理人，竹謙科技研發工程師

「商業分析師在台灣的求職市場上已經慢慢變成最熱門的職缺之一，如果你懂得機器學習的基礎技術，更可以幫助你從大量原始的數據挖掘有意義的情報，解決各種複雜性的商業問題。這是我一本我看過最淺顯易懂的好書，非常推薦給你。」──蘇書平，為你而讀／人資商學院創辦人

推薦序
兼具實作與理論的機器學習實用指南
──蔡明亨，台大資訊系畢，Google Research軟體工程師

近年來，機器學習的技術有許多突破，並且應用在許多產業，創造了更多產值。此外，許多產業也準備以機器學習解決以前無法處理的問題，或是提高效率。因此，對於具備機器學習知識的人才需求也越來越高。
以前，只有人工智慧研究員需要機器學習的知識，然而，現今很多不同領域的人都需具備這方面的能力，因為跨領域的合作將創造更大產值，例如將機器學習應用在醫療與商業決策等方面。我相信，隨著產業發展，機器學習會像是寫程式一樣，將會成為一個現代人或多或少都必須具備的技能。
這本書深入淺出地介紹許多機器學習的概念及演算法，並且對於每個演算法都附有實作的程式範例，可以幫你了解實作上的細節，而非只是理論。本書兩百多頁的內容，各個章節的長度安排適合在通勤或是飯前等零碎時間閱讀。除此之外，這本書的難度對於需要「使用」機器學習相關知識的人而言，是十分合宜的。
我在加州大學柏克萊分校延伸教育學院教授機器學習時，課堂上選用的經典演算法也和這本書涵蓋的範圍類似。如果讀完本書之後，對於這個領域特別感興趣，可以考慮學習更進階的理論學與實作細節，甚至可以考慮做個資料科學家。