資訊法 (7版)

其他會員也一起購買

【簡介】 台灣尚無體系完整的資訊法教科書，本書為第一次嘗試統整台灣資訊相關法律議題的教科書。特色有三： 1.包含大量圖表，清楚交代整個網路資訊法律議題的爭議與發展，幫助初學者快速入門。 2.著重於台灣相關法律的介紹與分析，並掌握最新修法、立法趨勢，包含最新通過的「政府資訊公開法」，以及預告未來修法方向。 3.對於熱門資訊法律議題，作者也提出深入剖析，以供讀者進一步反省。 本書盡量蒐集資訊相關法律議題，分為四大主題。第一篇為資訊時代的智慧財產權糾紛，討論網路上的著作權、專利權、商標權議題。其中，對於發展中的網路音樂盜版和資料庫保護等，有深入的剖析。第二篇為電腦程式保護與反省，包括電腦程式的著作權、專利保護，以及公平交易法的反撲，和刑法電腦程式相關保護等。第三篇為資訊內容討論，包括網路色情、廣告資訊、資訊隱私和資訊公開等。其中皆涵蓋台灣本土最新的法制發展。第四篇則為網路交易，包括電子簽章法、網路契約等相關議題。 【目錄】 新版序 自序 第一章　導　論 第一節　資訊法概說 第二節　智慧財產權 第三節　言論自由與資訊內容 第四節　資訊科技發展與法律回應 PART1 智慧財產權 第二章　網路著作權 第一節　著作權法介紹 第二節　網路著作權 第三節　實例討論 第三章　音樂、影片盜版 第一節　燒錄盜版、光碟 第二節　為什麼沒有音樂出租店？ 第三節　防盜拷措施 第四節　P2P交換平台爭議 第五節　數位機上盒之侵權 第四章　資料庫保護 第一節　著作權法「編輯著作」 第二節　公平交易法不公平競爭 第三節　付費資料庫的保護 第四節　資料庫的蒐集、利用 第五章　網頁連結和網頁標記 第一節　網頁連結 第二節　匯集侵權影片網址之軟體或數位機上盒 第三節　網頁標記 第六章　網域名稱 第一節　網域名稱管理 第二節　相關法律 第三節　TWNIC網域名稱爭議處理辦法 PART2 電腦程式 第七章　電腦程式的著作權保護 第一節　著作權保護 第二節　電腦程式的重製 第三節　軟體的授權 第四節　電腦程式的修改、抄襲 第八章　電腦程式的其他法律保護 第一節　營業秘密法 第二節　積體電路電路布局保護法 第三節　專利法 附錄一　電腦軟體相關發明專利審查基準流程圖 附錄二　審查記錄媒體形式發明之流程圖 第九章　電腦程式保護的反省 第一節　電腦程式保護的弊端 第二節　公平交易法 第三節　開放原始碼運動 第四節　何者才是最適保護？ 第十章　電腦網路犯罪 第一節　電腦網路犯罪 第二節　妨害電腦使用罪 第三節　網路金融犯罪 PART3 資訊自由 第十一章　色情資訊 第一節　猥褻 第二節　色情光碟 第三節　妨害性隱私及不實影像罪 第四節　分級制度 第五節　網路援交 第十二章　商業廣告與消費資訊 第一節　對廣告的管制 第二節　消費資訊 第三節　商業電子郵件 第十三章　資訊隱私 第一節　隱私權 第二節　刑法相關法律 第三節　通訊保障及監察法 第十四章　網路誹謗與公然侮辱 第一節　民法名譽權 第二節　刑法相關法律 第十五章　個人資料保護 第一節　基本概念 第二節　行為規範 第三節　被遺忘權利 第四節　電話號碼與通聯紀錄 第十六章　政府資訊公開 第一節　知的權利 第二節　政府資訊公開 第三節　檔案法 第四節　國家機密保護法 第五節　結論 PART4 網路交易 第十七章　網路契約與電子簽章 第一節　網路契約 第二節　電子簽章法 第十八章　網路購物與拍賣 第一節　網路購物 第二節　網路購物可否退貨 第三節　網路拍賣 第十九章　電子商務的獨占 第一節　網路的獨占 第二節　行政院公平交易委員會對於電子市集之規範說明 第二十章　網路服務提供者的責任 第一節　網路服務提供者 第二節　平台業者的責任 第三節　通知取下：著作權法ISP安全港 第四節　政府命令取下 第五節　歐盟數位服務法 第二十一章　線上遊戲與虛擬寶物 第一節　線上遊戲犯罪 第二節　私服、外掛與著作權 第三節　虛擬寶物財產權

法遵科技、 監理科技與金融科技監理 (1版)

其他會員也一起購買

法遵科技、 監理科技與金融科技監理 ISBN13：9789863991762 出版社：台灣金融研訓院 作者：沈中華;王儷容 裝訂／頁數：平裝／276頁 規格：21cm*14.8cm*1.5cm (高/寬/厚) 版次：初 出版日：2020/03/01 中文圖書分類：金融法規 內容簡介 第一部清楚說明監理科技與金融科技監理的專書，放眼全球監理科技的現況與趨勢，了解主要國家金融科技監理挑戰，以開創未來在監理科技的全新發展！

Python自學聖經(第三版)：從程式素人到開發強者的技術、實戰與AI應用大全(附影音/範例程式) (3版)

其他會員也一起購買

【簡介】 集Python程式技術大成，新增AI應用，強大內容全面再進化～ 【Python系列書在台累計銷量近12萬冊】 國內眾多讀者與程式人選書第一指名，學業界指定Python講師、 榮登暢銷榜最多Python圖書的作者團隊代表作 八大領域、39個主題、上百種模組套件、近1,200個範例， 涵蓋語法入門，橫跨各大熱門技術、軟硬整合與AI實戰應用。 一本帶你入行！系統化分章、大量圖表解說， 全面跨入Python程式開發殿堂！ 給需要本書的人： ★不知道如何開始才能自學好Python的人 ★有接觸過但又不想打掉重練的人 ★老是寫不好Python程式的人 ★想運用Python開發專案的人 掌握系統化的學習途徑 才能真正駕馭Python Python廣泛應用於大數據、網路爬蟲、人工智慧、機器學習、物聯網等熱門領域，是一套直譯式、物件導向，功能強大的程式語言。具備簡潔的語法，擁有許多模組套件，跨平台且容易擴充，所以非常適合初學者學習，但沒有系統性與結構化的學習，只能一知半解，而胡亂網路爬文，也只會迷失在資訊叢林。 本書從Python自學角度出發，系統化的分章學習，全面涵蓋語法、模組套件、主題應用、軟硬整合，規劃出最好的學習曲線，縮短自學途徑，排除學習障礙，真正從初學入門到業界活用！ ■完整詳實的程式入門： 從開發環境建置開始，由淺入深、循序漸進、完整且詳細的解說變數、運算、判斷式、迴圈、串列、元組、字典、集合、函式與模組等語法觀念與實作。 ■晉級專業的進階心法： 包括物件導向開發、例外處理、正規表達式、檔案管理、圖形使用者介面設計等內容。 ■應用廣泛的資料科學： 涵蓋網路爬蟲、數據資料儲存與讀取、資訊視覺圖表化、Numpy、Pandas資料與分析的完整學習。 ■無所不在的網路應用： 囊括Flask網站開發、建立Web API與Vercel部署、Django資料庫網站架設，還有LINE Bot機器人整合應用。 ■邁向未來的AI人工智慧： 具備機器學習入門、機器學習特徵處理、分類與迴歸演算法、深度學習MLP、CNN與RNN的應用，以及NLP自然語言處理等能力。 ■玩轉創意的多媒體互動： 包含讀取圖片、編輯圖片、合成、濾鏡效果、大量圖片處理，還有PyGame遊戲開發、PyTube影音下載等運用。 ■提升效率的開發加值： 介紹目前業界最熱門的Google Colab雲端開發平台與VS Code編輯神器，也深入介紹如何將程式打包成執行檔。 ■萬物可通的IoT物聯網： 從MicroPython程式實作、硬體實作、感測器應用、加入顯示裝置、使用Wi-Fi無線網路，到物聯網整合應用。 ■熱門強大的ChatGPT應用： 運用ChatGPT解釋程式碼、撰寫指定功能語法與幫程式除錯…等，可輔助Python的學習。 透過ChatGPT API的應用，則可以在程式中與ChatGPT對話，例如經由LINE Bot，在手機的LINE中輸入對話訊息，就可以藉由ChatGPT回覆內容。 使用Playground則可在不用程式碼開發的狀態下調教GPT模型的參數，甚至生成對應的程式碼。 【超值學習資源】 獨家收錄：「Python物件導向程式開發」影音教學、 「Google Colab雲端開發平台入門」影音教學、 「善用ChatGPT學Python入門」影音教學、 「ChatGPT API及LINE Bot應用」教學PDF、 全書範例程式檔 第三版新書是依據最新應用趨勢與市場回饋的寶貴訊息調整內容， 讓本書更全面，並與資訊科技脈動同步。 在基礎入門篇中，將開發環境的安裝與設定更新到目前最新狀態 在網路應用篇中，除了更新重要範例的應用外，因應Selenium的改版而進行了語法的調整。 在網路架站方面，無論是Flask或是Django，這次特別選擇Vercel作為最後的架設平台， 並且連接PostgreSQL資料庫，讓網頁服務有更好的表現。 在人工智慧篇中，特別加入了最新的ChatGPT API開發，讓讀者也能體驗最火熱的AI主題。 在開發加值篇中，更新了PyInstaller執行檔編譯的內容。 在IoT物聯網篇則選擇了最熱門的ESP32進行介紹， 讓實戰更加得心應手。 【目錄】 【基礎入門篇】 01 建置 Python 開發環境 1.1 建置 Anaconda 開發環境 1.2 Spyder 編輯器 1.3 Jupyter Notebook 編輯器 02 變數、運算及判斷式 2.1 變數與資料型別 2.2 運算式 2.3 判斷式 03 迴圈、串列與元組 3.1 迴圈與串列 3.2 進階串列與元組 04 字典與集合的使用 4.1 字典基本操作 4.2 字典進階操作 4.3 集合 4.4 凍結集合 05 函式與模組 5.1 自訂函式 5.2 數值函式 5.3 字串函式 5.4 亂數模組 5.5 時間模組 【進階學習篇】 06 物件導向程式開發 6.1 類別與物件 6.2 類別封裝 6.3 類別繼承 6.4 多型 6.5 多重繼承 6.6 類別應用 6.7 建立 Python 專案 6.8 打造自己的模組 07 例外處理 7.1 例外處理 7.2 try...except 常用例外錯誤表 7.3 捕捉多個例外 7.4 raise 拋出例外 7.5 Traceback 記錄字串 7.6 assert 斷言 08 正規表達式 8.1 使用傳統程式設計方式搜尋 8.2 使用正規表達式 8.3 使用 re.complie() 建立正規表達式物件 8.4 使用 re 模組建立隱含正規表達式物件 8.5 更豐富的搜尋方式 8.6 使用 re.sub() 取代字串 8.7 實戰：網路爬蟲資料格式檢查 09 檔案系統的使用 9.1 檔案和目錄管理 9.2 檔案的讀寫 9.3 二進位檔案的讀寫 10 圖形使用者介面設計 10.1 Tkinter 模組：圖形使用者介面 10.2 排版方式 10.3 視窗區塊 (Frame) 10.4 實戰：英文單字王視窗版 【資料科學篇】 11 數據資料的爬取 11.1 requests 模組：讀取網站檔案 11.2 BeautifulSoup 模組：網頁解析 11.3 Selenium 模組：瀏覽器自動化操作 12 數據資料的儲存與讀取 12.1 csv 資料的儲存與讀取 12.2 Excel 資料儲存與讀取 12.3 json 資料的讀取與輸出 12.4 XML 資料的儲存與讀取 12.5 SQLite 資料庫的操作 12.6 MySQL 資料庫的操作 12.7 Google 試算表的操作 13 數據資料視覺化 13.1 繪製折線圖：plot 13.2 繪製長條圖：bar 13.3 繪製圓餅圖：pie 13.4 設定圖表區：figure 13.5 在圖表區加入多張圖表：subplot、axes 13.6 實戰：台灣股市股價走勢圖 14 Numpy 與 Pandas 14.1 Numpy 陣列建立 14.2 Numpy 陣列取值 14.3 Numpy 的運算功能 14.4 Pandas Series 14.5 Pandas DataFrame 的建立 14.6 Pandas DataFrame 資料取值 14.7 Pandas DataFrame 資料操作 14.8 Pandas 資料存取 14.9 Pandas 繪圖應用 15 Pandas 資料分析 15.1 資料預處理 15.2 資料合併 15.3 樞紐分析表 15.4 實戰：鐵達尼號生存機率預測 【網路應用篇】 16 Flask 網站開發 16.1 基本 Flask 網站應用程式 16.2 使用模板 16.3 Template 語言 16.4 以 GET 及 POST 傳送資料 17 Flask 建立 Web API 及 Vercel 部署 17.1 建立 PM2.5 資料 Web API 17.2 部署 Web API 到 Vercel 17.3 Web API 應用：PM2.5 查詢系統 18 LINE Bot 申請設定及開發 18.1 LINE 開發者管理控制台 18.2 實戰：「鸚鵡」LINE Bot 開發 19 Django 網站開發 19.1 Django 是什麼？ 19.2 建立 Django 專案 19.3 視圖 (view) 與 URL 19.4 視圖、模版與 Template 語言 19.5 以 GET 及 POST 傳送資料 20 Django 資料庫連結與應用 20.1 PostgreSQL 資料庫 20.2 Django 資料庫 20.3 admin 後台管理與 ModelAdmin 類別 20.4 資料庫查詢 20.5 資料庫管理 21 Django 專題實戰及 Vercel 部署 21.1 實戰：Django 新聞公告系統 21.2 部署 Django 專案到 Vercel 【人工智慧篇】 22 機器學習：特徵提取 22.1 認識機器學習 22.2 文字特徵處理 22.3 數值標準縮放 22.4 特徵降維：特徵選擇 23 機器學習：分類及迴歸演算法 23.1 scikit-learn 資料集 23.2 K 近鄰演算法 23.3 樸素貝葉斯演算法 23.4 迴歸演算法 24 深度學習起點：多層感知器 (MLP) 24.1 認識多層感知器 (MLP) 24.2 Mnist 資料集 24.3 訓練 Mnist 手寫數字圖片辨識模型 24.4 模型儲存與預測 25 深度學習重點：CNN 及 RNN 25.1 卷積神經網路 (CNN) 基本結構 25.2 卷積神經網路實戰：Mnist 手寫數字圖片辨識 25.3 循環神經網路 (RNN) 基本結構 25.4 實戰：市場股價預測 26 自然語言處理 (NLP) 26.1 Jieba 模組 26.2 文字雲 27 ChatGPT API 及 Playground 27.1 ChatGPT API 27.2 ChatGPT Playground 【多媒體互動篇】 28 圖片批次處理：pillow 28.1 認識 pillow 28.2 圖片基本操作 28.3 圖片編輯 28.4 圖片切割、複製和合成 28.5 圖片濾鏡 28.6 繪製圖形 28.7 實戰：大量圖片處理 29 電腦遊戲開發：PyGame 29.1 Pygame 入門教學 29.2 Pygame 動畫處理 29.3 實戰：打磚塊遊戲 30 線上影音下載：PyTube 30.1 Pytube：下載 YouTube 影片模組 30.2 播放清單及相關資源下載 【開發加值篇】 31 雲端開發平台：Google Colab 31.1 Google Colab：雲端的開發平台 31.2 Markdown 語法 32 萬用編輯神器：VS Code 32.1 VS Code：最多人使用的程式編輯器 32.2 VS Code 執行 Python 程式 32.3 讓 VS Code 更有效率 33 編譯程式執行檔：PyInstaller 33.1 程式打包前的準備工作 33.2 實戰：打包 exe 執行檔 33.3 實戰：打包含有資源檔的執行檔 33.4 實戰：使用 .spec 打包含有資源檔的執行檔 33.5 資料儲存的考量 【附錄、IOT 物聯網篇】 （本篇為PDF形式電子書，請線上下載） 附錄 A MicroPython 與 ESP32 附錄 B MicroPython 小專題實作 附錄 C 感測器應用：溫溼度與超音波感測器 附錄 D 顯示裝置：LCD 液晶顯示器 附錄 E Wi-Fi 無線網路 附錄 F 物聯網應用 物聯網篇使用材料表

AI 神助攻！程式設計新境界 - GitHub Copilot 開發 Python 如虎添翼 : 提示工程、問題分解、測試案例、除錯 (1版)

其他會員也一起購買

【簡介】 【程式設計新浪潮 . 開發生態大革命】 你還在研讀程式語法手冊？還在網路上找程式碼來修修改改？還要繼續埋首在手刻程式碼的低效循環中掙扎嗎？就是現在，程式設計生態發生了史無前例的變革！ GitHub Copilot 是由 GitHub 與 OpenAI 大型語言模型（LLMs）合作開發的 AI 程式設計助手，它從巨量程式碼庫中學會所有的程式設計技巧，將人類過往的程式精華融為一體。只要你學會用正確的方法、下達明確的提示詞、妥善地用自然語言與其溝通，就能發揮它的無窮力量，大幅幫助你提高開發軟體的成效。 本書作者：兩位資訊教育學家 Leo Porter 博士與 Daniel Zingaro 博士為了 AI 程式設計時代的到來，在本書規劃出「函式設計循環」流程，整本書的編排圍繞著這個設計循環所需的技能，一遍遍演練、一步步學會進入 AI 程式設計必備的新技能。幫助你以正確的方式掌握 Python 程式設計（當然，其它程式語言也適用），高效快速解決實務上的任務。 【開發程式的重點：從寫程式轉換為寫提示詞】 與傳統的入門程式設計課程相比，使用 GitHub Copilot 協助寫程式需要學習新的技能，特別是問題分解、提示工程、測試與除錯技巧（如果您對這些技能還不太熟悉也無需擔心，本書都會詳細介紹），這些新技能對於現職的程式設計師來說同樣重要。 在以往傳統的程式設計課程中，學生往往需要將精力灌注在語法的細節上，然而在 AI 時代，程式語法已經有 GitHub Copilot 這位大神在身邊，完全不用你操心，你該學的是如何用自然語言，寫出有意義且 AI 工具能正確理解的提示詞，讓它為你寫出符合預期的程式碼。如果你真的很不會寫提示詞，Copilot 除了能夠反向幫助程式產生提示詞，甚至還可以利用提示模式（prompt patterns）翻轉問答對象，讓 Copilot 主動提問以達成你的目標。 本書特色: ● 精心設計為 AI 工具而生的函式設計循環。 ● 使用與業界接軌的 Visual Studio Code 開發工具。 ● 善用 Copilot Chat、inline Chat 提高生產力好助手。 ● 撰寫提示詞：學會用 AI 看得懂的自然語言溝通。 ● 看懂程式碼：程式由 AI 寫, 但你需要看得懂。 ● 問題分解：用 Top-Down 設計將大問題分解成小任務。 ● 測試案例：設計常見案例與邊界案例確認函式正確。 ● 除錯技巧：當 AI 使不上力的時候要學會自救。 ● 從設計模式轉變為提示模式的初體驗。 【目錄】 目錄: 第 1 章 GitHub Copilot 簡介 1.1 本書用到的技術 1.1.1 GitHub Copilot 就是寫程式的 AI 助手 1.1.2 GitHub Copilot 背後運作方式 1.2 GitHub Copilot 改變寫程式的方式 1.3 GitHub Copilot 能幫我們做什麼其他事情？ 1.4 使用 Github Copilot 的風險與挑戰 1.5 技能需求 1.6 AI 程式助手（如 Copilot）帶來的顧慮 第 2 章 GitHub Copilot 入門 2.1 使用 Copilot 必備工具 2.1.1 需要註冊 GitHub 帳號 2.1.2 需要安裝 Python 延伸模組 2.1.3 需要安裝 VS Code 2.2 設定您的開發環境 2.3 在 Visual Studio Code 中使用 Copilot 2.3.1 設定工作資料夾 2.3.2 檢查設置是否能正常運行 2.4 常見的 Copilot 問題 2.5 在 VS Code 中用 Copilot 產生程式碼 2.6 第一個程式任務 2.6.1 Copilot 在資料處理任務中的價值 2.6.2 計算 Aaron Rodgers 在 2019~2022 年的傳球碼數 2.6.3 查出那段期間所有四分衛的表現 2.6.4 將傳球碼數統計資料繪製成圖表 第 3 章 設計函式 3.1 函式（Functions） 3.1.1 函式的組成 3.1.2 使用函式 3.2 函式的好處 3.3 呼叫函式的執行順序與函式的不同角色 3.3.1 瞭解呼叫函式的執行順序 3.3.2 函式的其它角色 3.4 函式的合理任務 3.4.1 好函式的特色 3.4.2 好與不好的葉子函式例子 3.5 使用 Copilot 的函式設計循環 3.6 使用 Copilot 建立函式的例子 3.6.1 計算股票獲利的函式 3.6.2 檢查強密碼的函式 3.6.3 獲取強密碼的函式 3.6.4 拼字遊戲的計分函式 3.6.5 找出分數最高單字的函式 第 4 章 學習閱讀 Python 程式碼 (1) 4.1 為何需要閱讀程式碼 4.2 要求 Copilot 解釋程式碼的意思 4.2.1 用 Copilot Chat 窗格解釋程式碼 4.2.2 從 inline Chat 叫出 GitHub Chat 解釋程式碼 4.2.3 透過格式化文件命令窗解釋程式碼 4.3 Python 語言的 10 大構成要素 4.4 內建函式 4.5 變數（Variables） 4.6 條件語句（Conditionals） 4.6.1 當條件判斷只有兩種可能結果 4.6.2 當條件判斷多於兩種可能結果 4.6.3 每個 if 語句都是獨立的條件判斷 4.7 字串（Strings） 4.7.1 字串的 method 練習 4.7.2 請 Copilot 解釋 method 與使用情境 4.7.3 字串的串接與重複 4.8 串列（Lists） 4.8.1 串列中的元素 4.8.2 串列元素的索引 4.8.3 串列元素切片 4.8.4 用索引更改串列中的值 4.9 Python 前 5 種構成要素整理 第 5 章 學習閱讀 Python 程式碼 (2) 5.1 迴圈（Loops） 5.1.1 for 迴圈 - 讀取字串 5.1.2 for 迴圈 - 讀取串列 5.1.3 for 迴圈 – 搭配索引 5.1.4 while 迴圈 5.2 縮排（Identation） 5.2.1 縮排代表程式區塊 5.2.2 二層縮排 5.2.3 三層縮排 5.2.4 美觀性的縮排 5.2.5 縮排與巢狀迴圈 5.3 字典（Dictionary） 5.3.1 存取字典的內容 5.3.2 用迴圈取得字典的內容 5.4 檔案（Files） 5.4.1 開檔並讀取資料 5.4.2 用迴圈逐列讀取檔案中的資料 5.4.3 用模組簡化處理 CSV 檔案的過程 5.5 模組（Modules） 5.5.1 預設模組可直接載入 – 以 zipfile 模組為例 5.5.2 需要下載並安裝的套件 5.6 Python 後 5 種構成要素整理 第 6 章 測試與提示工程 6.1 程式碼測試的重要性 6.2 黑盒測試與白盒測試 6.2.1 黑盒測試 6.2.2 如何決定測試案例要測什麼？ 6.2.3 白盒測試 6.3 如何測試您的程式碼 6.3.1 在 Python 提示符號下進行測試 6.3.2 直接在 Python 檔案中進行測試 6.3.3 用 doctest 模組進行測試 6.4 重新檢視 Copilot 函式設計循環 6.5 測試範例 1 – 安排學生座位 6.5.1 找出一列中最多還可安排幾位新學生 6.5.2 改進提示詞以得到更佳解決方案 6.5.3 測試新的解決方案 6.6 測試範例 2 – 用到外部檔案 6.6.1 準備進行的測試案例 6.6.2 建立函式 6.6.3 對函式進行測試 6.6.4 使用 doctest 容易出現的問題 第 7 章 問題分解 7.1 問題分解的過程 7.2 Top-Down 設計的小例子 7.2.1 用 Top-Down 思考獲取強密碼函式 7.2.2 用 Top-Down 思考找出分數最高單字函式 7.2.3 Top-down 設計可控制複雜性 7.3 作者身份識別任務 7.4 作者身份識別程式的三個階段 7.5 分解處理階段的問題 7.5.1 決定神秘書籍的未知特徵簽名 7.5.2 5 個特徵函式的詳細說明 7.5.3 找出每本已知作者書籍的特徵簽名 7.6 為 Top-Down 設計做個整理 7.7 將規劃的函式用 Copilot 實作出來 7.7.1 clean_word 函式 7.7.2 average_word_length 函式 7.7.3 different_to_total 函式 7.7.4 exactly_once_to_total 函式 7.7.5 split_string 函式 7.7.6 get_sentences 函式 7.7.7 average_sentence_length 函式 7.7.8 get_phrases 函式 7.7.9 average_sentence_complexity 函式 7.7.10 make_signature 函式 7.7.11 get_all_signatures 函式 7.7.12 get_score 函式 7.7.13 lowest_score 函式 7.7.14 process_data 函式 7.7.15 make_guess 函式 7.8 思考重構程式的可能. 第 8 章 除錯 – 使用 Copilot Chat 與debugger 8.1 造成 bugs 的原因 8.2 如何找出 bugs 8.2.1 使用 print 語句來瞭解程式碼行為 8.2.2 用 VS Code 的 debugger 觀察程式行為 8.3 利用 GitHub Copilot Chat 修正程式碼 8.4 將除錯融入工作流程 8.5 將除錯技巧應用於新問題 8.5.1 列出可能出現錯誤的假設 8.5.2 對假設進行除錯 8.6 線上除錯工具 PythonTutor 8.7 降低除錯的挫折感. 第 9 章 製作自動化工具 9.1 程式設計師自製工具的原因 9.2 用 Copilot 開發自動化工具 9.3 自動化工具 1：清理電子郵件多餘符號 9.3.1 與 Copilot 交談取得協助 9.3.2 實際撰寫程式 9.4 自動化工具 2：為數百個 PDF 報告加上封面頁 9.4.1 與 Copilot 交談取得協助 9.4.2 實際撰寫程式 9.4.3 更新函式開發循環 9.5 自動化工具 3：合併圖片庫中內容不重複的檔案 9.5.1 與 Copilot 交談取得協助 9.5.2 為函式補上 docstring 第 10 章 遊戲設計 10.1 遊戲程式的兩個主要功能 10.2 為遊戲加入隨機性 10.3 遊戲 1：猜數字遊戲（Bulls and Cows） 10.3.1 遊戲玩法 10.3.2 Top-Down 設計 10.3.3 函式的參數與傳回值資料型別 10.3.4 實現遊戲的函式 10.3.5 為猜數字遊戲加上圖形介面 10.4 遊戲 2：雙人骰子遊戲（Bogart） 10.4.1 遊戲玩法 10.4.2 Top-Down 設計 10.4.3 實現遊戲的函式 第 11 章 未來的方向 11.1 從設計模式到提示模式 11.2 翻轉互動模式 - Flipped interaction pattern 11.3 角色模式 - Persona pattern 11.4 AI 工具的限制和未來方向 11.4.1 Copilot 目前面臨的困難 11.4.2 程式語言會被自然語言取代嗎？ 11.4.3 一個令人期盼的未來

精確掌握 AI 大趨勢！深度學習技術解密：日本 AI 神人，帶你正確學會從機器學習到生成式 AI 的核心基礎 (1版)

其他會員也一起購買

【簡介】 ▍專業推薦 (依姓名筆劃排列) 王道維｜國立清華大學物理系教授 / 人文社會 AI 應用與發展研究中心副主任 林筱玫｜台灣人工智慧協會執行長 劉育維｜人工智慧解決方案專家暨網路作家 ▍獨角獸新創公司 Preferred Networks 創辦人 ▍2022 年日本「現代の名工」獲獎者 ▍閱讀千篇論文的深厚學識精華 ✧✦AI 神人親自講解深度學習的技術奧秘！✦✧ 千變萬化的 AI 應用，核心都是「深度學習」。 掌握深度學習，才能迎接 AI 世代的新挑戰！ 【基礎概念：深度學習的特色、與機器學習的不同】 認識機器學習的不同類型，詳細瞭解神經網路、特徵學習、反向傳播，如何使深度學習脫穎而出。 【發展進化：正規化層、跳躍連接、注意力單元】 深入解說這三項核心技術的數學原理，認識深度學習克服各種困難、大幅進化的歷程。 【實際應用：影像辨識、語音辨識、自然語言處理】 綜合以上基礎，說明深度學習從輸入到輸出完整執行實際任務的過程，以及各種基礎技術在不同應用領域所擔任的重要角色。 【技術回顧：AI 發展的坎坷與突破】 早在 1956 年提出的 AI，為何數十年間乏人問津？深度學習又是如何重燃 AI 的火種？回顧 AI 發展，更能洞察未來方向。 ★特別收錄：精選基礎數學★ 把學校的數學課忘光了也不用怕！附錄彙整深度學習的必要數學知識，有疑問隨時翻閱，回頭立刻跟上大師講解。 本書不含： ✗走馬看花的簡略介紹 ✗只用大量文字描述數學概念 ✗只挑知名的技術做單元介紹 本書注重： ✓各技術運作方式的詳盡解說與參考文獻 ✓大量圖片表達技術要旨、實際數學式演示過程 ✓各技術發展背景與傳承脈絡，描繪深度學習的改革史 ✧✦探索 AI 奧祕絕不該錯過的精采好書！✦✧ 本書特色: ◆難度由淺入深，從基礎數學開始紮穩根基 書中數學式從符號開始一一解說，各種計算及推導都仔細說明，書末更附上基礎數學補充，數學課忘光也不怕 ◆核心關鍵技術一網打盡，完整掌握深度學習 學習模型 / 損失函數 / 梯度下降法 / 反向傳播 / 卷積層 / 循環層 / 閘控機制 / 激活函數 / 正規化 / 跳躍連接 / 注意力單元……核心技術全面涵蓋 ◆插圖、文字、數學式，三管齊下詳盡講解 - 以圖示勾勒整體概念 - 以文字解構問題並說明思路 - 以數學式演示技術流程 3 方向完整拆解、充分理解，讀懂原理不必再囫圇吞棗 ◆從背景到傳承，清楚描繪技術發展脈絡 偉大的技術，即是解決過去的問題，並提出未來的問題；本書清楚描繪核心技術環環相扣的進化史，更能展望 AI 未來的新發展 【目錄】 第 1 章 深度學習與人工智慧 為何深度學習能夠成功 1.1 何謂深度學習？什麼是人工「智慧」？ 1.2 深度學習迅速發展的背景 1.3 深度學習的計算資源 1.4 人工智慧的歷史 1.5 未來將如何應用深度學習？ 1.6 本章小結 第 2 章 機器學習入門 何謂電腦的「學習」？ 2.1 機器學習的背景知識 2.2 模型、參數與資料 2.3 普適能力 — 能否處理未知資料？ 2.4 學習的方法 — 監督式學習、非監督式學習與強化式學習 2.5 問題設定的分類學 2.6 機器學習的基本 — 了解機器學習的各種概念 2.7 以機率模型理解機器學習 2.8 本章小結 第 3 章 深度學習的技術基礎 組合資料轉換的「層」實現特徵學習的效果 3.1 特徵學習 — 「標示特徵」的重要性及挑戰 3.2 深度學習的基礎知識 3.3 神經網路是什麼樣的模型？ 3.4 神經網路的學習 3.5 反向傳播 — 有效率地計算梯度 3.6 神經網路的主要組成元素 3.7 本章小結 第 4 章 深度學習的發展 改善學習與預測的正規化層╱跳躍連接╱注意力單元 4.1 將「學習」由理論化為現實的基礎技術 — 類似ReLU的激活函數 4.2 正規化層 4.3 跳躍連接 4.4 注意力單元 — 根據輸入，動態改變資料傳遞方式 4.5 本章小結 第 5 章 深度學習的應用技術 大幅進化的影像辨識、語音辨識、自然語言處理 5.1 影像辨識 5.2 語音辨識 5.3 自然語言處理 5.4 本章小結 附錄 精選基礎 深度學習所需的數學概念 A.1 線性代數 A.2 微分 A.3 機率

人工智慧：智慧型系統導論 (3版)

相關熱銷的書籍推薦給您

書名：人工智慧：智慧型系統導論(第三版) 作者：李聯旺 出版社：全華 ISBN：9789862800959

機器學習：類神經網路、模糊系統以及基因演算法則 (4版)

相關熱銷的書籍推薦給您

書名：機器學習：類神經網路、模糊系統以及基因演算法則(第四版) 作者：蘇木春、張孝德 出版社：全華 出版日期：2016/05/00 ISBN：9789864632060 內容簡介 ■ 本書優點特色 1.將三種與機械學習相關的技術-類神經網路、模糊系統及基因演繹法作一通盤介紹。 2.以深入淺出的方式建立類神經網路與生物神經網路的關聯性，以便讓讀者更能發揮想像力。 3.每一種理論都儘可能配合書中範例及圖表加以說明。 ■ 內容簡介 本書將三種與機械學習相關的技術-類神經網路、模糊系統及基因演繹法作一通盤介紹。此外，作者以深入淺出的方式建立類神經網路與生物神經網路的關聯性，以便讓讀者更能發揮想像力。 目錄 第1章 類神經網路之簡介 第2章 感知機 第3章 多層感知機 第4章 非監督式類神經網路 第5章 聯想記憶 第6章 增強式學習 第7章 模糊集合 第8章 模糊關係及推論 第9章 模糊系統 第10章 基因演算法則

AI時代Math元年：用Python全精通矩陣及線性代數（二版） (2版)

類似書籍推薦給您

【簡介】 ☆★暢銷再上市★☆ 　　►有資料就有矩陣，有矩陣就有向量，有向量就有幾何，有幾何就有空間 　　►從資料一路提升到張量的所有數學基礎 　　►將數學視為思想、工具、語言、體系、基石、藝術的角度進行學習 　　►分為向量、矩陣、向量空間、矩陣分解、微積分、空間幾何、資料 　　►所有機器學習、深度學習最重要的基礎數學概念 　　►不再亂猜，寫機器學習程式碼時，每行指令背後代表的數學基礎 　　►學矩陣就是學AI，從此看到AI程式碼完全無負擔 　　AI熱潮來臨，每個人都很怕直接被機器取代，不管文科理科背景的人，每個人都想搭上AI快車飛速到達未來。然而你的第一關就是數學。數學是宇宙的共同語言，也是人類意志極緻的展現。數學從數字開始進入高維之後，向量、矩陣、張量將整個人類文明帶入新的境界，也將我們的世界從點線面體推向無法視覺化的高維空間，而針對空間的運算，更是所有科學的重要基礎。空間幾何這門完全和生活知識抽離的學科，看似是和向量打交道而已，但卻是整個世界運行的基礎，近年AI興起，機器學習及深度學習成為熱門行業，當你想要學習TensorFlow時，面對的第一個觀念就是張量(Tensor)。這些名詞讓你感到陌生又不是完全不認識時，就是重拾矩陣的時候了。本書利用最小的成本，幫你把這個又陌生又熟悉的老朋友重新交往。作者從最簡單的加法開始說明，一直到機器學習中的梯度、偏導數、積分、矩陣、線性代數，從小學到研究所所學的數學，一一在適當的章節出現，當你讀到某個章節時，會發現「啊！原來如此，這就是奇異值分解在機器學習的原理啊！」，有一種豁然開朗的感覺，相信這種驚喜在全書中會不斷出現。ChatGPT出來之後，AI已經光速啟動，有志加入這個行業，也只能快速跟上，而這本書，正是你進入的最佳助手，與其繼續逃避直到被淘汰，不如就花一點時間，把這本本來就不難的書看完，補上你個人AI志業的最重要一塊拼圖。 　　全書分為以下幾個部分：向量：從資料、矩陣、向量、幾何、空間開始談起，包括向量運算，範數等基本定理。接下來談到矩陣，把矩陣所有的性質(四則運算、表格、秩等)說明清楚，更有重要的內外積等。第三部分談的是向量，包括座標系、各種變換、維度、行列視，投影、正交、基等性質。第四部分談的是矩陣分解，實作了包括LU、Cholesky、QR，特徵/奇異值分解。第五部分就是談到空間的微積分，如多元函式、偏導、梯度、方向微分、泰勒展開等。也說明了拉格朗日乘子等。第六部分說明了空間幾何，包括直線、超平面、圓錐曲線等。也說明了曲面和正定性等問題。最後一部分則整理了前面所有觀念，發展至資料統計、SVD分解、機器學習、線性迴歸及PCA原理。搭配本書系其它書籍，相信AI的數學，對你來說只會是開心而不是阻礙。 【目錄】 第1章 不止向量 1.1有資料的地方，必有矩陣 1.2有矩陣的地方，更有向量 1.3有向量的地方，就有幾何 1.4有幾何的地方，皆有空間 1.5有資料的地方，定有統計 第2章 向量運算 2.1向量：多面手 2.2行向量、列向量 2.3向量長度：模，歐氏距離，L2範數 2.4加減法：對應位置元素分別相加減 2.5純量乘法：向量縮放 2.6向量內積：結果為純量 2.7向量夾角：反餘弦 2.8餘弦相似度和餘弦距離  2.9向量積：結果為向量  2.10逐項積：對應元素分別相乘  2.11張量積：張起網格面  第3章 向量範數 3.1Lp範數：L2範數的推廣  3.2Lp範數和超橢圓的聯繫  3.3L1範數：旋轉正方形  3.4L2範數：正圓  3.5L∞範數：正方形  3.6再談距離度量  第4章 矩陣 4.1矩陣：一個不平凡的表格  4.2矩陣形狀：每種形狀都有特殊用途  4.3基本運算：加減和純量乘法  4.4廣播原則  4.5矩陣乘法：線性代數的運算核心  4.6兩個角度解剖矩陣乘法  4.7轉置：繞主對角線鏡像  4.8矩陣逆：「相當於 」除法運算  4.9跡：主對角元素之和  4.10逐項積：對應元素相乘  4.11行列式：將矩陣映射到純量值  第5章 矩陣乘法 5.1矩陣乘法：形態豐富多樣  5.2向量和向量  5.3再聊全1列向量  5.4矩陣乘向量：線性方程式組  5.5向量乘矩陣乘向量：二次型  5.6方陣次方陣：矩陣分解  5.7對角陣：批次縮放  5.8置換矩陣：調換元素順序  5.9矩陣乘向量：映射到一維  5.10矩陣乘矩陣：映射到多維  5.11長方陣：奇異值分解、格拉姆矩陣、張量積  5.12愛因斯坦求和約定  5.13矩陣乘法的幾個雷區 第6章 分塊矩陣 6.1分塊矩陣：橫平垂直切豆腐 6.2矩陣乘法第一角度：純量積展開  6.3矩陣乘法第二角度：外積展開  6.4矩陣乘法更多角度：分塊多樣化  6.5分塊矩陣的逆  6.6克羅內克積：矩陣張量積  第7章 向量空間 7.1向量空間：從直角座標系說起 7.2給向量空間塗顏色：RGB色卡  7.3張成空間：線性組合紅、綠、藍三原色  7.4線性無關：紅色和綠色，調不出青色  7.5非正交基底：青色、品紅、黃色  7.6基底轉換：從紅、綠、藍，到青色、品紅、黃色  第8章 幾何變換 8.1線性變換：線性空間到自身的線性映射  8.2平移：仿射變換，原點變動  8.3縮放：對角陣  8.4旋轉：行列式值為1  8.5鏡像：行列式值為負  8.6投影：降維操作  8.7再談行列式值：幾何角度 第9章 正交投影 9.1純量投影：結果為純量  9.2向量投影：結果為向量  9.3正交矩陣：一個規範正交基底  9.4規範正交基底性質  9.5再談鏡像：從投影角度  9.6格拉姆-施密特正交化  9.7投影角度看回歸    第10章 資料投影 10.1從一個矩陣乘法運算說起  10.2二次投影 + 層層疊加  10.3二特徵資料投影：標準正交基底  10.4二特徵資料投影：規範正交基底  10.5四特徵資料投影：標準正交基底  10.6四特徵資料投影：規範正交基底  10.7資料正交化  第11章 矩陣分解 11.1矩陣分解：類似因式分解  11.2LU分解：上下三角  11.3Cholesky分解：適用於正定矩陣  11.4QR分解：正交化  11.5特徵值分解：刻畫矩陣映射的特徵  11.6奇異值分解：適用於任何實數矩陣  第12章 Cholesky分解 12.1Cholesky分解  12.2正定矩陣才可以進行Cholesky分解  12.3幾何角度：開合  12.4幾何變換：縮放 → 開合  12.5推廣到三維空間  12.6從格拉姆矩陣到相似度矩陣  第13章 特徵值分解 13.1幾何角度看特徵值分解  13.2旋轉 → 縮放 → 旋轉  13.3再談行列式值和線性變換  13.4對角化、譜分解  13.5聊聊特徵值  13.6特徵值分解中的複數現象  第14章 深入特徵值分解 14.1方陣開方  14.2矩陣指數：冪級數的推廣  14.3費氏數列：求通項式  14.4馬可夫過程的平穩狀態  14.5瑞利商  14.6再談橢圓：特徵值分解  第15章 奇異值分解 15.1幾何角度：旋轉 → 縮放 → 旋轉  15.2不同類型SVD分解  15.3左奇異向量矩陣U  15.4右奇異向量矩陣V 15.5兩個角度：投影和資料疊加  第16章 深入奇異值分解 16.1完全型：U為方陣  16.2經濟型：S去掉零矩陣，變方陣  16.3緊湊型：非滿秩  16.4截斷型：近似  16.5資料還原：層層疊加  16.6估計與誤差：截斷型SVD  16.7正交投影：資料正交化 第17章 多元函式微分 17.1偏導：特定方向的變化率  17.2梯度向量：上山方向  17.3法向量：垂直於切平面  17.4方向性微分：函式任意方向的變化率  17.5泰勒展開：一元到多元  第18章 拉格朗日乘子法 18.1回顧最佳化問題  18.2等式約束條件  18.3線性等式約束  18.4非線性等式約束  18.5不等式約束  18.6再談特徵值分解：最佳化角度  18.7再談SVD：最佳化角度  18.8矩陣範數：矩陣 → 純量，矩陣「大小 」 18.9再談資料正交投影：最佳化角度    第19章 直線到超平面 19.1切向量：可以用來定義直線  19.2法向量：定義直線、平面、超平面  19.3超平面：一維直線和二維平面的推廣  19.4平面與梯度向量  19.5中垂線：用向量求解析式  19.6用向量計算距離  第20章 再談圓錐曲線  20.1無處不在的圓錐曲線  20.2正圓：從單位圓到任意正圓  20.3單位圓到旋轉橢圓：縮放 → 旋轉 → 平移  20.4多元高斯分佈：矩陣分解、幾何變換、距離  20.5從單位雙曲線到旋轉雙曲線  20.6切線：建構函式，求梯度向量  20.7法線：法向量垂直於切向量  第21章 曲面和正定性  21.1正定性  21.2幾何角度看正定性  21.3開口朝上抛物面：正定 21.4山谷面：半正定  21.5開口朝下抛物面：負定  21.6山脊面：半負定  21.7雙曲抛物面：不定  21.8多極值曲面：局部正定性  第22章 資料與統計  22.1統計 + 線性代數：以鳶尾花資料為例  22.2平均值：線性代數角度  22.3質心：平均值排列成向量  22.4中心化：平移 22.5分類資料：加標籤  22.6方差：平均值向量沒有解釋的部分 22.7協方差和相關性係數  22.8協方差矩陣和相關性係數矩陣  第23章 資料空間 23.1從資料矩陣X說起  23.2向量空間：從SVD分解角度理解  23.3緊湊型SVD分解：剔除零空間  23.4幾何角度說空間  23.5格拉姆矩陣：向量模、夾角餘弦值的集合體  23.6標準差向量：以資料質心為起點  23.7白話說空間：以鳶尾花資料為例 第24章 資料分解  24.1為什麼要分解矩陣？  24.2QR分解：獲得正交系  24.3Cholesky分解：找到列向量的座標  24.4特徵值分解：獲得行空間和零空間  24.5SVD分解：獲得四個空間  第25章 資料應用 25.1從線性代數到機器學習 25.2從隨機變數的線性變換說起 25.3單方向映射 25.4線性回歸 25.5多方向映射 25.6主成分分析

AI時代Math元年：用Python全精通機器學習 (1版)

類似書籍推薦給您

【簡介】 AI時代Math元年 - 用Python全精通機器學習 　　✴︎ 迴歸分析：深度挖掘資料中變數間的關聯性與規律 　　✴︎ 線性迴歸：透過直線模型解讀簡單資料的趨勢與變化 　　✴︎ 多元線性迴歸：建構高維資料模型，分析多重影響因素 　　✴︎ 非線性迴歸：處理複雜資料模式，探索非線性關係的應用 　　✴︎ 正規化迴歸：透過嶺回歸與套索迴歸有效抑制模型過擬合 　　✴︎ 貝氏迴歸：結合先驗知識與數據，實現貝氏統計推斷 　　✴︎ 高斯過程：深入了解從理論到應用的高斯模型方法 　　✴︎  k最近鄰分類：運用鄰近資料進行分類與迴歸的經典算法 　　✴︎ 決策樹：以層次結構實現資料分類與回歸的靈活應用 　　✴︎ 支援向量機：應對高維資料，實現精確分類與回歸分析 　　✴︎ 主成分分析：透過降維技術提取資料中的核心特徵與模式 　　✴︎  K平均值聚類：快速分群分析，尋找資料內部結構與規律 　　✴︎ 高斯混合模型：運用軟聚類技術實現精細的資料分群 　　✴︎ 最大期望演算法：優化模型參數，提升聚類與估計效能  【目錄】 第 1 篇 整體說明 第 1 章 機器學習 1.1 什麼是機器學習? 1.2 迴歸：找到引數與因變數關係 1.3 分類：針對有標籤資料 1.4 降維：降低資料維度，提取主要特徵 1.5 聚類：針對無標籤資料 1.6 機器學習流程 1.7 下一步學什麼？ 第 2 篇 迴歸 第 2 章 迴歸分析 2.1 線性迴歸：一個表格、一條直線 2.2 方差分析(ANOVA) 2.3 總離差平方和(SST) 2.4 迴歸平方和(SSR) 2.5 殘差平方和(SSE) 2.6 幾何角度：畢氏定理 2.7 擬合優度：評價擬合程度 2.8 F 檢驗：模型參數不全為0 2.9 t 檢驗：某個迴歸係數是否為0 2.10 置信區間：因變數平均值的區間 2.11 預測區間：因變數特定值的區間 2.12 對數似然函數：用在最大似然估計(MLE) 2.13 資訊準則：選擇模型的標準 2.14 殘差分析：假設殘差服從平均值為0 的正態分佈 2.15 自相關檢測：Durbin-Watson 2.16 條件數：多重共線性 第 3 章 多元線性迴歸 3.1 多元線性迴歸 3.2 最佳化問題：OLS 3.3 幾何解釋：投影 3.4 二元線性迴歸實例 3.5 多元線性迴歸實例 3.6 正交關係 3.7 三個平方和 3.8 t 檢驗 3.9 多重共線性 3.10 條件機率角度看多元線性迴歸 第 4 章 非線性迴歸 4.1 線性迴歸 4.2 線性對數模型 4.3 非線性迴歸 4.4 多項式迴歸 4.5 邏輯迴歸 4.6 邏輯函數完成分類問題 第 5 章 正規化迴歸 5.1 正規化：抑制過擬合 5.2 嶺迴歸 5.3 幾何角度看嶺迴歸 5.4 套索迴歸 5.5 幾何角度看套索迴歸 5.6 彈性網路迴歸 第 6 章 貝氏迴歸 6.1 回顧貝氏推斷 6.2 貝氏迴歸：無資訊先驗 6.3 使用PyMC 完成貝氏迴歸 6.4 貝氏角度理解嶺正規化 6.5 貝氏角度理解套索正規化 第 7 章 高斯過程 7.1 高斯過程原理 7.2 解決迴歸問題 7.3 解決分類問題 第 3 篇 分類 第 8 章 k 最近鄰分類 8.1 k 最近鄰分類原理：近朱者赤，近墨者黑 8.2 二分類：非紅，即藍 8.3 三分類：非紅，不是藍，就是灰 8.4 近鄰數量k 影響投票結果 8.5 投票權重：越近，影響力越高 8.6 最近質心分類：分類邊界為中垂線 8.7 k-NN 迴歸：非參數迴歸 第 9 章 單純貝氏分類 9.1 重逢貝氏 9.2 單純貝氏的「單純」之處 9.3 高斯，你好 第 10 章 高斯判別分析 10.1 又見高斯 10.2 六類協方差矩陣 10.3 決策邊界解析解 10.4 第一類 10.5 第二類 10.6 第三類 10.7 第四類 10.8 第五類 10.9 第六類 10.10 線性和二次判別分析 第 11 章 支援向量機 11.1 支援向量機 11.2 硬間隔：處理線性可分 11.3 構造最佳化問題 11.4 支援向量機處理二分類問題 11.5 軟間隔：處理線性不可分 第 12 章 核心技巧 12.1 映射函數：實現升維 12.2 核心技巧SVM 最佳化問題 12.3 線性核心：最基本的核心函數 12.4 多項式核心 12.5 二次核心：二次曲面 12.6 三次核心：三次曲面 12.7 高斯核心：基於徑向基函數 12.8 Sigmoid 核心 第 13 章 決策樹 13.1 決策樹：可以分類，也可以迴歸 13.2 資訊熵：不確定性度量 13.3 資訊增益：透過劃分，提高確定度 13.4 基尼指數：指數越大，不確定性越高 13.5 最大葉節點：影響決策邊界 13.6 最大深度：控制樹形大小 第 4 篇 降維 第 14 章 主成分分析 14.1 主成分分析 14.2 原始資料 14.3 特徵值分解 14.4 正交空間 14.5 投影結果 14.6 還原 14.7 雙標圖 14.8 陡坡圖 第 15 章 截斷奇異值分解 15.1 幾何角度看奇異值分解 15.2 四種SVD 分解 15.3 幾何角度看截斷型SVD 15.4 最佳化角度看截斷型SVD 15.5 分析鳶尾花照片 第 16 章 主成分分析進階 16.1 從「六條技術路線」說起 16.2 協方差矩陣：中心化資料 16.3 格拉姆矩陣：原始資料 16.4 相關性係數矩陣：標準化資料 第 17 章 主成分分析與迴歸 17.1 正交迴歸 17.2 一元正交迴歸 17.3 幾何角度看正交迴歸 17.4 二元正交迴歸 17.5 多元正交迴歸 17.6 主元迴歸 17.7 偏最小平方迴歸 第 18 章 核心主成分分析 18.1 核心主成分分析 18.2 從主成分分析說起 18.3 用核心技巧完成核心主成分分析 第 19 章 典型相關分析 19.1 典型相關分析原理 19.2 從一個協方差矩陣考慮 19.3 以鳶尾花資料為例 第 5 篇 聚類 第 20 章 K 平均值聚類 20.1 K 平均值聚類 20.2 最佳化問題 20.3 迭代過程 20.4 肘部法則：選定聚類叢集值 20.5 輪廓圖：選定聚類叢集值 20.6 沃羅諾伊圖 第 21 章 高斯混合模型 21.1 高斯混合模型 21.2 四類協方差矩陣 21.3 分量數量 21.4 硬聚類和軟聚類 第 22 章 最大期望演算法 22.1 最大期望 22.2 E 步：最大化期望 22.3 M 步：最大化似然機率 22.4 迭代過程 22.5 多元GMM 迭代 第 23 章 層次聚類 23.1 層次聚類 23.2 樹狀圖 23.3 叢集間距離 23.4 親近度層次聚類 第 24 章 密度聚類 24.1 DBSCAN 聚類 24.2 調節參數 第 25 章 譜聚類 25.1 譜聚類 25.2 距離矩陣 25.3 相似度 25.4 無向圖 25.5 拉普拉斯矩陣 25.6 特徵值分解

AI時代Math元年：用Python全精通數學要素(二版) (2版)

類似書籍推薦給您

【簡介】 ✦✧✦ 圖解思維 + 零基礎 ✦✧✦ ►►►打破數學間不同單元的壁壘，融會完整的知識體系！◄◄◄ 　　全書分為以下幾個部分： 　　基礎：從加減乘除四則運算開始，並在第1和2章深入介紹向量和矩陣的基本運算，以及在不同章節穿插線性代數基礎知識。 　　座標系：第5和6章介紹笛卡爾座標系，將幾何和代數相結合，強調代數式的視覺化和幾何體的參數化。 　　解析幾何：第7、8、9章介紹解析幾何內容，重點在於距離度量和橢圓。強調使用等距線和其他視覺化工具，以及橢圓在多個領域的應用。 　　函式：第10至14章圍繞函式展開。強調在學習函式時繪製函式線圖、使用視覺化工具觀察二元函式，以及不同函式的特性與應用。第14章解釋數列，強調累加、極限等是微積分的基礎。 　　微積分：第15至19章介紹微積分和最佳化問題。導數、偏導數、微分和積分提供了研究函式性質的量化工具。強調使用幾何圖解理解這些概念，以及微積分在最佳化問題中的應用。 　　機率統計：第20、21章為機率統計入門。強調代數部分與機率統計的關聯，介紹了二項樹和隨機過程，以及通過影像展示機率統計定義。 　　線性代數：最後四章介紹線性代數。第22章視覺化向量和向量運算。第23、24、25章以「雞兔同籠三部曲」為核心，通過虛構故事展示了線性方程組、向量空間、投影、最小二乘線性回歸、馬可夫過程和特徵值分解等內容。 本書特色 　　✪ 將一生中從小學到研究所的數學總整理！ 　　✪ 機器學習基礎全部完整打好 　　✪ 將數學視為思想、工具、語言、體系、基石、藝術的角度進行學習 　　✪ 分為基礎、座標系、解析幾何、函式、微積分、機率統計、線性代數七大部分 　　✪ 不再應付考試，重新愛上數學 　　✪ 不再亂猜，寫機器學習程式碼時，每一行指令背後代表的數學基礎都清清楚楚 　　✪ 學數學本身，也學數學歷史，介紹史上幾個最偉大的數學家 　　※ 本書資源可至深智官網下載：deepwisdom.com.tw  【目錄】 第 1 篇 基礎 1 萬物皆數 1.1 數字和運算：人類思想的偉大飛躍 1.2 數字分類：從複數到自然數 1.3 加減：最基本的數學運算 1.4 向量：數字排成行、列 1.5 矩陣：數字排列成長方形 1.6 矩陣： 一組列向量，或一組行向量 1.7 矩陣形狀：每種形狀都有特殊性質和用途 1.8 矩陣加減：形狀相同，對應位置，批次加減 2 乘除 2.1 算術乘除：先乘除，後加減，括號內先算 2.2 向量乘法：純量乘法、向量內積、逐項積 2.3 矩陣乘法：最重要的線性代數運算規則 2.4 矩陣乘法第一角度 2.5 矩陣乘法第二角度 2.6 矩陣除法：計算反矩陣 3 幾何 3.1 幾何緣起：根植大地，求索星空 3.2 點動成線，線動成面，面動成體 3.3 角度和弧度 3.4 畢氏定理到三角函式 3.5 圓周率估算初賽：割圓術 4 代數 4.1 代數的前世今生：薪火相傳 4.2 集合：確定的一堆東西 4.3 從代數式到函式 4.4 巴斯卡三角：代數和幾何的完美合體 4.5 排列組合讓二項式係數更具意義 4.6 巴斯卡三角隱藏的數字規律 4.7 方程式組：求解雞兔同籠問題 第 2 篇 座標系 5 笛卡兒座標系 5.1 笛卡兒：我思故我在 5.2 座標系：代數視覺化，幾何參數化 5.3 圖解「雞兔同籠」問題 5.4 極座標：距離和夾角 5.5 參數方程式：引入一個參數 5.6 座標系必須是「橫平垂直的方格」？ 6 三維座標系 6.1 三維直角座標系 6.2 空間平面：三元一次方程 6.3 空間直線：三元一次方程組 6.4 不等式：劃定區域 6.5 三大類不等式：約束條件 6.6 三維極座標 第 3 篇 解析幾何 7 距離 7.1 距離：未必是兩點間最短線段 7.2 歐氏距離：兩點間最短線段 7.3 點到直線的距離 7.4 等距線：換個角度看距離 7.5 距離間的量化關係 8 圓錐曲線 8.1 圓錐曲線外傳 8.2 圓錐曲線：對頂圓錐和截面相交 8.3 正圓：特殊的橢圓 8.4 橢圓：機器學習的多面手 8.5 旋轉橢圓：幾何變換的結果 8.6 拋物線：不止是函式 8.7 雙曲線：引力彈弓的軌跡 9 深入圓錐曲線 9.1 圓錐曲線：探索星辰大海 9.2 離心率：聯繫不同類型圓錐曲線 9.3 一組有趣的圓錐曲線 9.4 特殊橢圓：和給定矩形相切 9.5 超橢圓：和範數有關 9.6 雙曲函式：基於單位雙曲線 9.7 圓錐曲線的一般形式 第 4 篇 函式 10 函式 10.1 當代數式遇到座標系 10.2 一元函式： 一個引數 10.3 一元函式性質 10.4 二元函式：兩個引數 10.5 降維：二元函式切一刀得到一元函式 10.6 等高線：由函式值相等點連成 11 代數函式 11.1 初等函式：數學模型的基礎 11.2 一次函式： 一條斜線 11.3 二次函式： 一條拋物線 11.4 多項式函式：從疊加角度來看 11.5 冪函式：底數為引數 11.6 分段函式：不連續函式 12 超越函式 12.1 指數函式：指數為引數 12.2 對數函式：把連乘變成連加 12.3 高斯函式：高斯分佈之基礎 12.4 邏輯函式：在0 和1 之間設定值 12.5 三角函式：週期函式的代表 12.6 函式變換：平移、縮放、對稱 13 二元函式 13.1 二元一次函式：平面 13.2 正圓拋物面：等高線為正圓 13.3 橢圓拋物面：等高線為橢圓 13.4 雙曲拋物面：馬鞍面 13.5 山谷和山脊：無數極值點 13.6 錐面：正圓拋物面開方 13.7 絕對值函式：與超橢圓有關 13.8 邏輯函式：從一元到二元 13.9 高斯函式：機器學習的多面手 14 數列 14.1 芝諾悖論：阿基里斯追不上烏龜 14.2 數列分類 14.3 等差數列：相鄰兩項差相等 14.4 等比數列：相鄰兩項比值相等 14.5 費氏數列 14.6 累加：大寫西格瑪 14.7 數列極限：微積分的一塊基石 14.8 數列極限估算圓周率 第 5 篇 微積分 15 極限和導數 15.1 牛頓小傳 15.2 極限：研究微積分的重要數學工具 15.3 左極限、右極限 15.4 幾何角度看導數：切線斜率 15.5 導數也是函式 16 偏導數 16.1 幾何角度看偏導數 16.2 偏導也是函式 16.3 二階偏導：一階偏導函式的一階偏導 16.4 二元曲面的駐點： 一階偏導為0 17 微分 17.1 幾何角度看微分：線性近似 17.2 泰勒級數：多項式函式近似 17.3 多項式近似和誤差 17.4 二元泰勒展開：用多項式曲面近似 17.5 數值微分：估算一階導數 18 積分 18.1 萊布尼茲：既生瑜，何生亮 18.2 從小車等加速直線運動說起 18.3 一元函式積分 18.4 高斯函式積分 18.5 誤差函式：S 型函式的一種 18.6 二重積分：類似二重求和 18.7 「偏積分」：類似偏求和 18.8 估算圓周率：牛頓法 18.9 數值積分：黎曼求積 19 最佳化入門 19.1 最佳化問題：尋找山峰、山谷 19.2 建構最佳化問題 19.3 約束條件：限定搜尋區域 19.4 一元函式的極值點判定 19.5 二元函式的極值點判定 第 6 篇 機率統計 20 機率入門 20.1 機率簡史：出身賭場 20.2 二元樹：一生二、二生三 20.3 拋硬幣：正反面機率 20.4 聊聊機率：向上還是向下 20.5 一枚質地不均勻的硬幣 20.6 隨機中有規律 21 統計入門 21.1 統計的前世今生：強國知十三數 21.2 散點圖：當資料遇到座標系 21.3 平均值：集中程度 21.4 標準差：離散程度 21.5 協方差：聯合變化程度 21.6 線性相關係數：線性關係強弱 第 7 篇 線性代數 22 向量 22.1 向量：有大小、有方向 22.2 幾何角度看向量運算 22.3 向量簡化距離運算 22.4 向量內積與向量夾角 22.5 二維到三維 22.6 投影：影子的長度 23 雞兔同籠1 23.1 從雞兔同籠說起 23.2 「雞」向量與「兔」向量 23.3 那幾隻毛絨耳朵 23.4 「雞兔」套餐 23.5 套餐轉換：基底轉換 23.6 豬引發的投影問題 23.7 黃鼠狼驚魂夜：「雞飛兔脫」與超定方程式組 24 雞兔同籠2 24.1 雞兔數量的有趣關係 24.2 試試比例函式： y = ax 24.3 最小平方法 24.4 再試試一次函式： y = ax +b 24.5 再探黃鼠狼驚魂夜：超定方程式組 24.6 統計方法求解回歸參數 25 雞兔同籠3 25.1 雞兔互變奇妙夜 25.2 第一角度：「雞/ 兔→雞」和「雞/ 兔→兔」 25.3 第二角度：「雞→雞/ 兔」和「兔→雞/ 兔」 25.4 連續幾夜雞兔轉換 25.5 有向量的地方，就有幾何 25.6 彩蛋  

AI時代Math元年 : 用Python全精通矩陣及線性代數 (1版)

類似書籍推薦給您

【簡介】 有資料就有矩陣，有矩陣就有向量，有向量就有幾何，有幾何就有空間 　　從資料一路提升到張量的所有數學基礎 　　將數學視為思想、工具、語言、體系、基石、藝術的角度進行學習 　　分為向量、矩陣、向量空間、矩陣分解、微積分、空間幾何、資料 　　所有機器學習、深度學習最重要的基礎數學概念 　　不再亂猜，寫機器學習程式碼時，每行指令背後代表的數學基礎 　　學矩陣就是學AI，從此看到AI程式碼完全無負擔 　　AI熱潮來臨，每個人都很怕直接被機器取代，不管文科理科背景的人，每個人都想搭上AI快車飛速到達未來。然而你的第一關就是數學。數學是宇宙的共同語言，也是人類意志極緻的展現。數學從數字開始進入高維之後，向量、矩陣、張量將整個人類文明帶入新的境界，也將我們的世界從點線面體推向無法視覺化的高維空間，而針對空間的運算，更是所有科學的重要基礎。空間幾何這門完全和生活知識抽離的學科，看似是和向量打交道而已，但卻是整個世界運行的基礎，近年AI興起，機器學習及深度學習成為熱門行業，當你想要學習TensorFlow時，面對的第一個觀念就是張量(Tensor)。這些名詞讓你感到陌生又不是完全不認識時，就是重拾矩陣的時候了。本書利用最小的成本，幫你把這個又陌生又熟悉的老朋友重新交往。作者從最簡單的加法開始說明，一直到機器學習中的梯度、偏導數、積分、矩陣、線性代數，從小學到研究所所學的數學，一一在適當的章節出現，當你讀到某個章節時，會發現「啊！原來如此，這就是奇異值分解在機器學習的原理啊！」，有一種豁然開朗的感覺，相信這種驚喜在全書中會不斷出現。ChatGPT出來之後，AI已經光速啟動，有志加入這個行業，也只能快速跟上，而這本書，正是你進入的最佳助手，與其繼續逃避直到被淘汰，不如就花一點時間，把這本本來就不難的書看完，補上你個人AI志業的最重要一塊拼圖。 　　全書分為以下幾個部分：向量：從資料、矩陣、向量、幾何、空間開始談起，包括向量運算，範數等基本定理。接下來談到矩陣，把矩陣所有的性質(四則運算、表格、秩等)說明清楚，更有重要的內外積等。第三部分談的是向量，包括座標系、各種變換、維度、行列視，投影、正交、基等性質。第四部分談的是矩陣分解，實作了包括LU、Cholesky、QR，特徵/奇異值分解。第五部分就是談到空間的微積分，如多元函式、偏導、梯度、方向微分、泰勒展開等。也說明了拉格朗日乘子等。第六部分說明了空間幾何，包括直線、超平面、圓錐曲線等。也說明了曲面和正定性等問題。最後一部分則整理了前面所有觀念，發展至資料統計、SVD分解、機器學習、線性迴歸及PCA原理。搭配本書系其它書籍，相信AI的數學，對你來說只會是開心而不是阻礙。 【目錄】 第 1章 不止向量 1.1 有資料的地方，必有矩陣 1.2 有矩陣的地方，更有向量 1.3 有向量的地方，就有幾何 1.4 有幾何的地方，皆有空間 1.5 有資料的地方，定有統計 第 2章 向量運算 2.1 向量：多面手 2.2 行向量、列向量 2.3 向量長度：模，歐氏距離，L2範數 2.4 加減法：對應位置元素分別相加減 2.5 純量乘法：向量縮放 2.6 向量內積：結果為純量 2.7 向量夾角：反餘弦 2.8 餘弦相似度和餘弦距離 2.9 向量積：結果為向量 2.10 逐項積：對應元素分別相乘 2.11 張量積：張起網格面 第 3章 向量範數 3.1 Lp範數：L2範數的推廣 3.2 Lp範數和超橢圓的聯繫 3.3 L1範數：旋轉正方形 3.4 L2範數：正圓 3.5 L∞範數：正方形 3.6 再談距離度量 第4章 矩陣 4.1 矩陣：一個不平凡的表格 4.2 矩陣形狀：每種形狀都有特殊用途 4.3 基本運算：加減和純量乘法 4.4 廣播原則 4.5 矩陣乘法：線性代數的運算核心 4.6 兩個角度解剖矩陣乘法 4.7 轉置：繞主對角線鏡像 4.8 矩陣逆：「相當於 」除法運算 4.9 跡：主對角元素之和 4.10 逐項積：對應元素相乘 4.11 行列式：將矩陣映射到純量值 第5章 矩陣乘法 5.1 矩陣乘法：形態豐富多樣 5.2 向量和向量 5.3 再聊全1列向量 5.4 矩陣乘向量：線性方程式組 5.5 向量乘矩陣乘向量：二次型 5.6 方陣次方陣：矩陣分解 5.7 對角陣：批次縮放 5.8 置換矩陣：調換元素順序 5.9 矩陣乘向量：映射到一維 5.10 矩陣乘矩陣：映射到多維 5.11 長方陣：奇異值分解、格拉姆矩陣、張量積 5.12 愛因斯坦求和約定 5.13 矩陣乘法的幾個雷區 第6章 分塊矩陣 6.1 分塊矩陣：橫平垂直切豆腐 6.2 矩陣乘法第一角度：純量積展開 6.3 矩陣乘法第二角度：外積展開 6.4 矩陣乘法更多角度：分塊多樣化 6.5 分塊矩陣的逆 6.6 克羅內克積：矩陣張量積 第 7章 向量空間 7.1 向量空間：從直角座標系說起 7.2 給向量空間塗顏色：RGB色卡 7.3 張成空間：線性組合紅、綠、藍三原色 7.4 線性無關：紅色和綠色，調不出青色 7.5 非正交基底：青色、品紅、黃色 7.6 基底轉換：從紅、綠、藍，到青色、品紅、黃色 第8章 幾何變換 8.1 線性變換：線性空間到自身的線性映射 8.2 平移：仿射變換，原點變動 8.3 縮放：對角陣 8.4 旋轉：行列式值為1 8.5 鏡像：行列式值為負 8.6 投影：降維操作 8.7 再談行列式值：幾何角度 第 9章 正交投影 9.1 純量投影：結果為純量 9.2 向量投影：結果為向量 9.3 正交矩陣：一個規範正交基底 9.4 規範正交基底性質 9.5 再談鏡像：從投影角度 9.6 格拉姆-施密特正交化 9.7 投影角度看回歸 第 10 章 資料投影 10.1 從一個矩陣乘法運算說起 10.2 二次投影 + 層層疊加 10.3 二特徵資料投影：標準正交基底 10.4 二特徵資料投影：規範正交基底 10.5 四特徵資料投影：標準正交基底 10.6 四特徵資料投影：規範正交基底 10.7 資料正交化 第 11章 矩陣分解 11.1 矩陣分解：類似因式分解 11.2 LU分解：上下三角 11.3 Cholesky分解：適用於正定矩陣 11.4 QR分解：正交化 11.5 特徵值分解：刻畫矩陣映射的特徵 11.6 奇異值分解：適用於任何實數矩陣 第 12章 Cholesky分解 12.1 Cholesky分解 12.2 正定矩陣才可以進行Cholesky分解 12.3 幾何角度：開合 12.4 幾何變換：縮放 → 開合 12.5 推廣到三維空間 12.6 從格拉姆矩陣到相似度矩陣 第 13章 特徵值分解 13.1 幾何角度看特徵值分解 13.2 旋轉 → 縮放 → 旋轉 13.3 再談行列式值和線性變換 13.4 對角化、譜分解 13.5 聊聊特徵值 13.6 特徵值分解中的複數現象 第 14章 深入特徵值分解 14.1 方陣開方 14.2 矩陣指數：冪級數的推廣 14.3 費氏數列：求通項式 14.4 馬可夫過程的平穩狀態 14.5 瑞利商 14.6 再談橢圓：特徵值分解 第 15章 奇異值分解 15.1 幾何角度：旋轉 → 縮放 → 旋轉 15.2 不同類型SVD分解 15.3 左奇異向量矩陣U 15.4 右奇異向量矩陣V 15.5 兩個角度：投影和資料疊加 第 16章 深入奇異值分解 16.1 完全型：U為方陣 16.2 經濟型：S去掉零矩陣，變方陣 16.3 緊湊型：非滿秩 16.4 截斷型：近似 16.5 資料還原：層層疊加 16.6 估計與誤差：截斷型SVD 16.7 正交投影：資料正交化 第 17章 多元函式微分 17.1 偏導：特定方向的變化率 17.2 梯度向量：上山方向 17.3 法向量：垂直於切平面 17.4 方向性微分：函式任意方向的變化率 17.5 泰勒展開：一元到多元 第 18章 拉格朗日乘子法 18.1 回顧最佳化問題 18.2 等式約束條件 18.3 線性等式約束 18.4 非線性等式約束 18.5 不等式約束 18.6 再談特徵值分解：最佳化角度 18.7 再談SVD：最佳化角度 18.8 矩陣範數：矩陣 → 純量，矩陣「大小 」 18.9 再談資料正交投影：最佳化角度 第 19章 直線到超平面 19.1 切向量：可以用來定義直線 19.2 法向量：定義直線、平面、超平面 19.3 超平面：一維直線和二維平面的推廣 19.4 平面與梯度向量 19.5 中垂線：用向量求解析式 19.6 用向量計算距離 第 20 章 再談圓錐曲線 20.1 無處不在的圓錐曲線 20.2 正圓：從單位圓到任意正圓 20.3 單位圓到旋轉橢圓：縮放 → 旋轉 → 平移 20.4 多元高斯分佈：矩陣分解、幾何變換、距離 20.5 從單位雙曲線到旋轉雙曲線 20.6 切線：建構函式，求梯度向量 20.7 法線：法向量垂直於切向量 第 21章 曲面和正定性 21.1 正定性 21.2 幾何角度看正定性 21.3 開口朝上抛物面：正定 21.4 山谷面：半正定 21.5 開口朝下抛物面：負定 21.6 山脊面：半負定 21.7 雙曲抛物面：不定 21.8 多極值曲面：局部正定性 第 22章 資料與統計 22.1 統計 + 線性代數：以鳶尾花資料為例 22.2 平均值：線性代數角度 22.3 質心：平均值排列成向量 22.4 中心化：平移 22.5 分類資料：加標籤 22.6 方差：平均值向量沒有解釋的部分 22.7 協方差和相關性係數 22.8 協方差矩陣和相關性係數矩陣 第 23章 資料空間 23.1 從資料矩陣X說起 23.2 向量空間：從SVD分解角度理解 23.3 緊湊型SVD分解：剔除零空間 23.4 幾何角度說空間 23.5 格拉姆矩陣：向量模、夾角餘弦值的集合體 23.6 標準差向量：以資料質心為起點 23.7 白話說空間：以鳶尾花資料為例 第 24章 資料分解 24.1 為什麼要分解矩陣？ 24.2 QR分解：獲得正交系 24.3 Cholesky分解：找到列向量的座標 24.4 特徵值分解：獲得行空間和零空間 24.5 SVD分解：獲得四個空間 第 25章 資料應用 25.1 從線性代數到機器學習 25.2 從隨機變數的線性變換說起 25.3 單方向映射 25.4 線性回歸 25.5 多方向映射 25.6 主成分分析