內容簡介 機器學習是AI人工智慧的基礎，但機器學習本身是門較高深的課程，而本書為了讓讀者能夠快速理解，從入門者的角度做編寫。書中先講述AI及Python語言，複習Python基礎語法到進階語法，讓讀者先掌握Python語言，接著學習機器學習的各種實作項目，如資料分析、線性回歸模型及模型評估等，藉此對於機器學習有更進一步的認識。 產品目錄 第一章　AI、AI技術與AI應用 1-1　人工智慧 1-2　AI技術 1-3　AI應用 1-4　AI與數學 1-5　AI與編程 1-6　何謂深度學習？ 第二章　Python基礎編程語法 2-1　何謂變數？ 2-2　編程的操作型定義～以變數為例 2-3　運算與資料 2-4　決策(if)語法 2-5　while 迴圈 2-6　for 迴圈 2-7　功能呼叫 (function call) 2-8　全域變數與區域變數 2-9　List 資料結構 2-10　物件的基本觀念 2-11　numpy模組的多維陣列 第三章　Python進階編程語法 3-1　向量運算模式與泛化函式 3-2　matplotlib繪圖模組的運用 3-3　檔案的輸入輸出 3-4　物件導向程式設計基本概念 3-5　其他 第四章　資料分析的基本觀念 4-1　隨機取樣 4-2　摘要統計(summary statistics) 4-3　共變異數與相關係數 4-4　資料分群演算法 4-5　Python的K-means 分群演算法的應用 第五章　線性迴歸模型 5-1　線性迴歸的數學原理 5-2　Python的線性迴歸模組 5-3　線性回歸模型的應用 5-4　羅吉斯迴歸　 第六章 線性分類器 6-1　線性迴歸分類器 6-2　支持向量機分類器 6-3　SVM原理推導 6-4　核函數 6-5　SVM的多元分類應用 第七章　非線性分類器 7-1　類神經網路分類器概論 7-2　類神經網路應用 7-3　Python的類神經網路機器學習模組 7-4　決策樹實務應用 第八章　模型評估 8-1　分類器效能指標 8-2　ROC 曲線 8-3　殘差分析 第九章 其他AI相關主題 9-1　k最近鄰分類演算法 9-2　單純貝氏分類器 9-3　主要成分分析 9-4　資料前處理 9-5　集成學習 附錄A Python安裝與使用