【簡介】 　　本書內容兼顧理論與實務，用大量示意圖與範例，幫助讀者建立機器學習的基本概念。第一章介紹機器學習的基本概念與類型，幫助讀者快速入門。第二章深入探討監督式學習，涵蓋多種經典演算法，如線性回歸、決策樹與神經網路等。第三章則介紹非監督式學習，重點講解資料探索與聚類方法。第四章專注於模型評估與優化，幫助讀者提升模型性能。最後，第五章通過台股數據分析與YOLO物件辨識兩個實戰專案，讓讀者實際應用所學知識，開啟機器學習與深度學習的探索之旅。 本書特色 　　1.強調實作與錯誤學習：本書不僅講解理論，還鼓勵讀者動手實踐，以實際應用深化理解。 　　2.系統化的學習路徑：以示意圖與簡單範例帶領讀者進入機器學習，逐步深入監督式與非監督式學習，最終挑戰更進階的AI應用。 　　3.提供完整的學習支援：書中還整理了機器學習的專業術語，並附有環境安裝指南，讓更多人能輕鬆入門機器學習。 　　4.豐富的線上教學資源：作者經營YouTube頻道「工程師の師」，提供多樣化的教學影片，作為書本內容的延伸學習資源。 【目錄】 第一章 機器學習新手上路 1-1 什麼是機器學習 1-2 機器學習的種類 1-3 免費練習開發平台 1-4 機器學習步驟 第二章 監督式學習 2-1 線性回歸 Linear Regression 2-2 支援向量機 Support Vector Machine 2-3 單純貝氏分類器 Naïve Bayes Classifier 2-4 決策樹Decision Tree 2-5 隨機森林 Random Forest 2-6 神經網路 Neural Network 2-7 近鄰演算法 K-Nearest Neighbors 第三章 非監督式學習 3-1 主成分分析 Principal Components Analysis 3-2 非負矩陣 Non-negative Matrix Factorization 3-3 平均分群演算法 K-means 3-4 高斯混合分布 Gaussian Mixture Models 第四章 評估方法與訓練技巧 4-1 分類問題評估 4-2 回歸問題評估 4-3 交叉驗證 Cross-Validation 4-4 批次量 Batch Size 第五章 最終挑戰—實戰應用 5-1 AI 股票理財專家 5-2 YOLOv9 物件辨識 結語 附錄 附錄一 專有名詞解釋 附錄二 環境安裝 附錄三 參考文獻 習題