機器學習的基礎概論：Python程式設計我也可以成功做到 (1版)

⊙循序漸進紮實基礎：從核心概念出發，涵蓋監督式、非監督式與強化學習，並提供關鍵的數學推導（如梯度下降、線性代數），以建立深厚的機器學習底層邏輯。 ⊙經典演算法至深度學習全解析：並重經典迴歸、決策樹與SVM，並深度拆解CNN、RNN、LSTM及當前主流的Transformer架構，接軌AI業界最熱門的技術核心。 ⊙Python實作與全生命週期導引：搭配主流程式碼與Kaggle真實數據集，完整走過資料清洗、特徵工程到模型評估的專案流程，同時深入探討AI倫理與模型可解釋性。 本書兼具理論知識的傳授與實務應用能力的培養。 全書以核心概念紮實基礎，並輔以數學直覺和必要的推導（如梯度下降、機率論、線性代數）說明，內容涵蓋廣泛，從經典迴歸模型到現代深度學習的熱門應用——CNN、RNN及領先時代的Transformer架構，均有深入淺出的探討。 實務操作以Python程式碼應用為重點，搭配Scikit-learn、TensorFlow與PyTorch等函式庫，完整拆解從資料清洗、特徵工程到模型評估的「專案全生命週期」。透過Kaggle等真實數據集的實戰演練，讀者將可親手實作圖像分類與自然語言處理等案例。此外，本書更具備前瞻性的倫理視角，深入討論數據偏見與模型可解釋性，讓讀者對機器學習概念、方法與實踐能有全面的理解。

第一部分　核心概念與基礎 Chapter01 機器學習概論 1-1 機器學習的起源：定義、歷史、應用領域與重要性 1-2 機器學習與人工智慧、數據科學的關係 1-3 學習前的準備 Chapter02 Python程式語言的安裝與基礎操作 2-1 Python程式語言的安裝 2-2 Jupyter Notebook基礎操作 2-3 Python基礎知識：變數、類型、運算、陣列、流程控制、函式等 2-4 Python的資料處理與視覺化：繪製二維／三維圖形、資料清理與準備 Chapter03 機器學習的類型 Chapter04 機器學習中的數學／統計基礎 4-1 統計與AI關係 4-2 線性代數（矩陣、向量）簡介 4-2-1 向量 4-2-2 矩陣 4-2-3 矩陣的Python程式設計 4-3 微積分（梯度、偏微分、梯度下降） 4-3-1 梯度、偏微分、梯度下降在AI的應用領域 4-3-2 偏微分定義 4-3-3 梯度下降定義 4-4 機率與統計（機率分布、期望值、最大概似估計） 4-4-1 機率在AI的應用領域 4-4-2 機率分布 4-4-3 貝氏定理（Bayes’ theorem） 4-4-4 期望值 4-4-5 最大概似估計 第二部分　數據處理與模型評估 Chapter05 數據處理與準備 5-1 數據清洗、缺失值處理、異常值處理 5-2 數據標準化（Standardization）與正規化（Normalization） 5-3 類別特徵編碼（如One-Hot Encoding）簡介 5-4 模型評估與選擇 5-4-1 訓練集（Training Set）、驗證集（Validation Set）、測試集（Test Set）的劃分 5-4-2 交叉驗證（Cross-Validation） 5-5 分類模型評估指標：準確度、精確度、召回率、F1分數、ROC曲線與AUC 5-5-1 分類模型評估指標：準確度（Accuracy）的Python程式設計 5-5-2 精確度（Precision）的Python程式設計 5-6 線性迴歸的Python程式設計：模型評估指標（如R2或MSE） 第三部分　經典機器學習演算法（傳統ML） Chapter06 常見機器學習演算法的原理、優缺點與應用 6-1 線性模型簡介 6-1-1 線性迴歸（Linear Regression）簡介 6-1-2 羅吉斯迴歸（Logistic Regression）（用於分類） 6-1-3 Lasso迴歸：特徵選擇與降維（Feature Selection and Dimensionality Reduction） 6-2 決策樹與集成方法（Ensemble Methods）簡介 6-2-1 隨機森林（Random Forest）簡介 6-2-2 支援向量機（Support Vector Machine, SVM）簡介 6-3 近鄰法 6-4 非監督學習的類型 6-4-1 K－均值聚類（K-Means Clustering）簡介 6-4-2 主成分分析（Principal Component Analysis, PCA）：降維 第四部分　深度學習的入門：深度學習與神經網路 Chapter07 神經網路的概念 7-1 神經網路之基本概念 7-1-1 感知器（Perceptron）概念 7-1-2 多層感知器（Multi-Layer Perceptron, MLP）簡介 7-1-3 激活函數（Activation Functions）介紹 7-1-4 反向傳播（Backpropagation）簡介 7-1-5 神經元模型 7-1-6 反向傳播（Backpropagation）演算法 7-2 深度學習模型（Deep Learning Model） 7-2-1 深度前饋網路（Deep Feedforward Networks） 7-2-2 卷積神經網路（Convolutional Neural Network, CNN）簡介 7-2-3 遞迴神經網路（RNN）：序列建模 7-2-4 訓練深度模型的優化：正規化（Regularization）、優化方法（Optimization）（如梯度下降、Adam） Chapter08 進階主題與應用 8-1 強化學習（Reinforcement Learning, RL） 8-2 自然語言處理（NLP） 8-2-1 自然語言處理（Natural Language Processing, NLP）簡介 8-2-2 自然語言處理（NLP）如何運作（基本流程） 8-2-3 NLP底層技術 8-3 深度生成模型（Deep Generative Models） 8-4 機器學習的實用方法論：模型驗證與評估、錯誤分析等 8-4-1 機器學習的模型驗證與評估 8-4-2 機器學習的錯誤分析