機器學習：彩色圖解 + 基礎數學篇 + Python 實作 -- 王者歸來, 2/e

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彩色圖解 + 基礎數學與基礎微積分 +

Python 實作

除了作品被翻譯為簡體中文、馬來西亞文外，2000 年作品更被翻譯為Mastering

HTML 英文版行銷美國，近年來作品則是在北京清華大學和台灣深智同步發行：

1：Java 入門邁向高手之路王者歸來

2：Python 最強入門邁向頂尖高手之路王者歸來

3：Python 最強入門邁向數據科學之路王者歸來

4：Python 網路爬蟲：大數據擷取、清洗、儲存與分析王者歸來

5：演算法最強彩色圖鑑 + Python 程式實作王者歸來

6：網頁設計HTML+CSS+JavaScript+jQuery+Bootstrap+Google Map 王者歸來

7：機器學習彩色圖解 + 基礎數學篇 + Python 實作王者歸來

8：機器學習彩色圖解 + 基礎微積分篇 + Python 實作王者歸來

9：R 語言邁向Big Data 之路

10：Excel 完整學習邁向最強職場應用王者歸來

他的近期著作分別登上天瓏、博客來、Momo 電腦書類暢銷排行榜第一名，他的

書著作最大的特色是，所有程式語法會依特性分類，同時以實用的程式範例做解說，

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。

第1 章　資料視覺化

1-1 認識mapplotlib.pyplot 模組的主要函數

1-2 繪製簡單的折線圖plot( )

1-3 繪製散點圖scatter( )

1-4 Numpy 模組

1-5 圖表顯示中文

1-6 長條圖與直方圖

1-7 Numpy 的指數與對數函數

 

第2 章　數學模組Math 和Sympy

2-1 數學模組的變數

2-2 一般函數

2-3 log( ) 函數

2-4 三角函數

2-5 Sympy 模組

 

第3 章　機器學習基本觀念

3-1 人工智慧、機器學習、深度學習

3-2 認識機器學習

3-3 機器學習的種類

3-4 機器學習的應用範圍

 

第4 章　機器學習的基礎數學

4-1 用數字描繪事物

4-2 變數觀念

4-3 從變數到函數

4-4 等式運算的規則

4-5 代數運算的基本規則

4-6 用數學抽象化開餐廳的生存條件

4-7 基礎數學的結論

 

第5 章　認識方程式/ 函數/ 座標圖形

5-1 認識方程式

5-2 方程式文字描述方法

5-3 一元一次方程式

5-4 函數

5-5 座標圖形分析

5-6 將線性函數應用在機器學習

 

第6 章　從聯立方程式看機器學習的數學模型

6-1 數學觀念建立連接兩點的直線

6-2 機器學習使用聯立方程式推估數據

6-3 從2 條直線的交叉點推估科學數據

6-4 兩條直線垂直交叉

 

第7 章　從畢氏定理看機器學習

7-1 驗證畢氏定理

7-2 將畢氏定理應用在性向測試

7-3 將畢氏定理應用在三維空間

7-4 將畢氏定理應用在更高維的空間

7-5 電影分類

 

第8 章　聯立不等式與機器學習

8-1 聯立不等式的基本觀念

8-2 聯立不等式的線性規劃

8-3 Python 計算

 

第9 章　機器學習需要知道的二次函數

9-1 二次函數的基礎數學

9-2 從一次到二次函數的實務

9-3 認識二次函數的係數

9-4 使用3 個點求解二次函數

9-5 二次函數的配方法

9-6 二次函數與解答區間

 

第10 章　機器學習的最小平方法

10-1 最小平方法基本觀念

10-2 簡單的企業實例

10-3 機器學習建立含誤差值的線性方程式

10-4 Numpy 實作最小平方法

10-5 線性迴歸

10-6 實務應用

 

第11 章　機器學習必須懂的集合

11-1 使用Python 建立集合

11-2 集合的操作

11-3 子集、宇集與補集

11-4 加入與刪除集合元素

11-5 冪集與Sympy 模組

11-6 笛卡兒積

 

第12 章　機器學習必須懂的排列與組合

12-1 排列基本觀念

12-2 有多少條回家路

12-3 排列組合

12-4 階乘的觀念

12-5 重複排列

12-6 組合

 

第13 章　機器學習需要認識的機率

13-1 機率基本觀念

13-2 數學機率與統計機率

13-3 事件機率名稱

13-4 事件機率規則

13-5 抽獎的機率 – 加法與乘法綜合應用

13-6 餘事件與乘法的綜合應用

13-7 條件機率

13-8 貝氏定理

13-9 蒙地卡羅模擬

13-10 Numpy 的隨機模組random

 

第14 章　二項式定理

14-1 二項式的定義

14-2 二項式的幾何意義

14-3 二項式展開與規律性分析

14-4 找出xn-kyk 項的係數

14-5 二項式的通式

14-6 二項式到多項式

14-7 二項分佈實驗

14-8 將二項式觀念應用在業務數據分析

14-9 二項式機率分佈Python 實作

14-10 Numpy 隨機數模組的binomial( ) 函數

 

第15 章　指數觀念與指數函數

15-1 認識指數函數

15-2 指數運算的規則

15-3 指數函數的圖形

 

第16 章　對數(logarithm)

16-1 認識對數函數

16-2 對數表的功能

16-3 對數運算可以解決指數運算的問題

16-4 認識對數的特性

16-5 對數的運算規則與驗證

 

第17 章　歐拉數與邏輯函數

17-1 歐拉數

17-2 邏輯函數

17-3 logit 函數

17-4 邏輯函數的應用

 

第18 章　三角函數

18-1 直角三角形的邊長與夾角

18-2 三角函數的定義

18-3 計算三角形的面積

18-4 角度與弧度

18-5 程式處理三角函數

18-6 從單位圓看三角函數

 

第19 章　基礎統計與大型運算子

19-1 母體與樣本

19-2 數據加總

19-3 數據分佈

19-4 數據中心指標

19-5 數據分散指標

19-6 符號運算規則與驗證

19-7 活用符號

19-8 迴歸分析

19-9 隨機函數的分佈

 

第20 章　機器學習的向量

20-1 向量的基礎觀念

20-2 向量加法的規則

20-3 向量的長度

20-4 向量方程式

20-5 向量內積

20-6 皮爾遜相關係數

20-7 向量外積

 

第21 章　機器學習的矩陣

21-1 矩陣的表達方式

21-2 矩陣相加與相減

21-3 矩陣乘以實數

21-4 矩陣乘法

21-5 方形矩陣

21-6 單位矩陣

21-7 反矩陣

21-8 用反矩陣解聯立方程式

21-9 張量(Tensor)

21-10 轉置矩陣

 

第22 章　向量、矩陣與多元線性回歸

22-1 向量應用在線性迴歸

22-2 向量應用在多元線性迴歸

22-3 矩陣應用在多元線性迴歸

22-4 將截距放入矩陣

22-5 簡單的線性迴歸

 

第23 章　三次函數迴歸曲線的程式實作

23-1 繪製數據的散點圖

23-2 三次函數的迴歸曲線模型

23-3 使用scikit-learn 模組計算決定係數

23-4 預測未來值

23-5 不適合的三次函數迴歸數據

 

第24 章　機器學習使用scikit-learn 入門

24-1 認識scikit-learn 數據模組datasets

24-2 監督學習 – 線性迴歸

24-3 無監督學習 – 群集分析

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。