機器學習:最強入門邁向AI高手 王者歸來DM2477

機器學習

最強入門邁向AI高手

王者歸來(全彩印刷)

內容簡介

★★★★★【數學原理 + 演算法 + 真實案例 + 專題實作】★★★★★

★★★★★【數學 x機率 x 統計 x 演算法】★★★★★

★★★★★【機器學習演算法 x AI專題】★★★★★

AI時代的學習革命：用最簡單的方式掌握機器學習。

機器學習已成為當今科技領域的核心技能，但艱澀的數學與複雜的概念常讓人望而卻步。本書以淺顯易懂的白話解釋，結合全彩圖表輔助教學，幫助讀者輕鬆入門、快速掌握機器學習的核心知識與應用技巧。

本書特色

◎ 白話解釋機器學習：摒棄晦澀公式，以簡單明瞭的語言說明每個概念，配合豐富的全彩圖表，讓學習變得更輕鬆有趣。

◎ 基礎數學起步，實現 AI 場景應用：從基礎數學概念講解機器學習，逐步導入 AI 在生活中的實際應用，橋接理論與實務。

◎ 彩色圖解演算法，從小數據開始：用彩色圖像化的方式清晰呈現演算法的運作原理，並從簡單的小數據案例帶領讀者進入真實世界的應用。

◎ 實用程式碼範例：提供完整的 Python 程式碼範例，將理論知識與實務結合，幫助讀者快速上手，並理解如何將理論轉化為可行的程式解決方案。

◎ AI 專題實戰：涵蓋特徵選擇、模型選擇、超參數調整等進階主題，提供解決特定問題的策略與技巧，助力讀者邁向機器學習高手之路。

數學場景 × AI 實例

◎ 方程式、一元到多元函數

★餐廳經營、業務員績效、網路行銷 ... 等。

◎ 最小平方法

★國際證照考卷銷售、房價預測、便利店銷售 ... 等。

◎ 機率與單純貝式理論

★疾病分析、客戶購買意願、垃圾郵件 ... 等。

◎ 指數、對數與激活函數

★廣告效果、回購率分析 ... 等。

◎ 基礎統計

★超商數據、考試成績 ... 等。

◎迴歸分析

★臉書行銷、冰品銷售、網站購物 ... 等。

◎向量與矩陣

★網購行為分析、推薦系統、家庭用電預測 ... 等。

演算法原理 × AI 專題

◎ 房價預測

★ 波士頓房價

☆ 加州房價

◎ 葡萄酒專題

★ 葡萄酒分類與評價

◎ 醫療健康

★ 糖尿病診斷

☆ 乳腺癌檢測

★ 醫療保險分析

◎ 經典數據集

★ 鐵達尼號生存分析

☆ Telco 離網預測

★ 零售數據分析

◎ 信用風險與客戶分析

★ 信用卡欺詐偵測

☆ 購物中心客戶分群

◎ 科學與工程

★ 小行星撞地球風險預測

☆ 汽車燃料效率分析

◎ 文字與推薦系統

★ 新聞分類

☆ 情感分析

★ 電影推薦與評論

◎ 特色數據

★ 鳶尾花分類

☆ 蘑菇毒性判斷

★ 玻璃性質分析

◎ 圖像數據

★ 手寫數字識別

☆ 人臉數據分析

◎ 農業與食品

★ 小麥數據研究

☆ 老實泉噴發分析

◎ 體育與電子郵件

★ 足球射門分析

☆ 垃圾郵件過濾

將理論融入實際，從數據出發探索機器學習的多元應用，這是您邁向 AI 高手的最佳起點！

1-1 人工智慧、機器學習、深度學習

1-2 認識機器學習

1-3 機器學習的種類

1-3-1 監督學習

1-3-2 無監督學習

1-3-3 強化學習

1-4 機器學習的應用範圍

1-5 深度學習

▌第2章 機器學習的基礎數學

2-1 用數字描繪事物

2-2 變數觀念

2-3 從變數到函數

2-4 用數學抽象化開餐廳的生存條件

2-4-1 數學模型

2-4-2 經營數字預估

2-4-3 經營績效的計算

2-4-4 情境分析 - 變數變化的影響

2-5 基礎數學的應用與總結

2-5-1 基礎數學的應用範例

2-5-2 基礎數學的總結

▌第3章 認識方程式、函數與座標圖形

3-1 認識方程式

3-2 方程式文字描述方法

3-3 一元一次方程式

3-4 函數

3-5 座標圖形分析

3-5-1 座標圖形與線性關係

3-5-2 斜率與截距的意義

3-5-3 細看斜率

3-5-4 細看y截距

3-5-5 細看x截距

3-6 將線性函數應用在機器學習

3-6-1 再看直線函數與斜率

3-6-2 機器學習與線性迴歸

3-6-3 相同斜率平行移動

3-6-4 不同斜率與相同截距

3-6-5 不同斜率與不同截距

3-7 二元函數到多元函數

3-7-1 二元函數基本觀念

3-7-2 二元函數的圖形

3-7-3 等高線圖

3-7-4 多元函數

3-8 Sympy 模組

3-8-1 定義符號

3-8-2 name 屬性

3-8-3 定義多個符號變數

3-8-4 符號的運算

3-8-5 將數值代入公式

3-8-6 將字串轉為數學表達式

3-8-7 Sympy 模組支援的數學函數

3-8-8 解一元一次方程式

▌第4章 從聯立方程式看機器學習的數學模型

4-1 數學觀念建立連接兩點的直線

4-1-1 基礎觀念

4-1-2 聯立方程式

4-1-3 使用加減法解聯立方程式

4-1-4 使用代入法解聯立方程式

4-1-5 使用Sympy 解聯立方程式

4-2 機器學習使用聯立方程式推估數據

4-2-1 推導餐廳經營績效函數

4-2-2 餐廳經營績效數據推估

4-2-3 聯立方程式在線性模型中的應用

4-3 從2 條直線的交叉點推估科學數據

4-3-1 雞兔同籠

4-3-2 達成業績目標

4-4 兩條直線垂直交叉

4-4-1 基礎觀念

4-4-2 求解座標某一點至一條線的垂直線

4-5 本章總結與下一步展望

▌第5章 從畢氏定理看機器學習

5-1 驗證畢氏定理

5-1-1 認識直角三角形

5-1-2 驗證畢氏定理

5-2 將畢氏定理應用在性向測試

5-2-1 問題核心分析

5-2-2 數據運算

5-3 將畢氏定理應用在三維空間

5-4 將畢氏定理應用在更高維的空間

5-5 電影分類

5-5-1 規劃特徵值

5-5-3 專案程式實作

5-5-4 電影分類結論

5-6 計算兩個向量的歐幾里德距離

5-7 本章總結與應用展望

▌第6章 聯立不等式與機器學習

6-1 聯立不等式與機器學習

6-2 再看聯立不等式的基本觀念

6-3 聯立不等式的線性規劃

6-3-1 案例分析

6-3-2 用聯立不等式表達

6-3-3 在座標軸上繪不等式的區域

6-3-4 目標函數

6-3-5 平行移動目標函數

6-3-6 將交叉點座標代入目標函數

6-4 Python 計算

6-5 聯立不等式的商業應用

6-5-1 廣告投入最佳分配

6-5-2 產品生產成本最小化

6-6 本章總結與應用展望

▌第7章 機器學習需要知道的二次函數

7-1 二次函數的基礎數學

7-1-1 解一元二次方程式的根

7-1-2 繪製一元二次方程式的圖形

7-1-3 一元二次方程式的最小值與最大值

7-1-4 一元二次函數參數整理

7-1-5 一元三次函數的圖形特徵

7-1-6 二次函數在機器學習中的應用價值

7-2 從一次到二次函數的實務

7-2-1 呈現好的變化

7-2-2 呈現不好的變化

7-3 認識二次函數的係數

7-4 使用3個點求解一元二次函數

7-4-1 手動求解一元二次函數

7-4-2 程式求解一元二次函數

7-4-3 繪製一元二次函數

7-4-4 使用業績回推應有的拜訪次數

7-5 一元二次函數的配方法

7-5-1 基本觀念

7-5-2 配方法

7-5-3 從標準式計算一元二次函數的最大值

7-5-4 從標準式計算一元二次函數的最小值

7-6 一元二次函數與解答區間

7-6-1 行銷問題分析

7-6-2 一元二次函數分析增加業績的臉書行銷次數

7-6-3 將不等式應用在條件區間

7-6-4 非實數根

▌第8章 機器學習的最小平方法

8-1 最小平方法基本觀念

8-1-1 基本觀念

8-1-2 數學觀點

8-2 簡單的企業實例

8-3 機器學習建立含誤差值的線性方程式

8-3-1 觀念啟發

8-3-2 三項和的平方

8-3-3 公式推導

8-3-4 使用配方法計算直線的斜率和截距

8-4 Numpy 實作最小平方法

8-5 線性迴歸

8-6 便利商店飲料銷售實務應用

8-7 模型評估指標

8-7-1 認識模型評估指標

8-7-2 手工計算與程式執行房價模型評估

8-7-3 用模型評估指標檢視便利商店飲料銷售

▌第9章 機器學習必須懂的集合

9-1 使用Python 建立集合

9-1-1 使用{ } 建立集合

9-1-2 集合元素是唯一

9-1-3 使用set( ) 建立集合

9-1-4 集合的基數(cardinality)

9-1-5 建立空集合要用set( )

9-1-6 大數據資料與集合的應用

9-2 集合的操作

9-2-1 交集(intersection)

9-2-2 聯集(union)

9-2-3 差集(difference)

9-2-4 對稱差集(symmetric difference)

9-3 子集、宇集與補集

9-3-1 子集

9-3-2 宇集

9-3-3 補集

▌第10章 機器學習必須懂的排列與組合

10-1 排列基本觀念

10-1-1 實驗與事件

10-1-2 事件結果

10-1-3 機器學習應用場景

10-2 有多少條回家路

10-2-1 計算有多少條回家的路

10-2-2 回家的路於機器學習的應用場景

10-3 排列組合

10-4 階乘的觀念

10-5 重複排列

10-6 組合

▌第11章 機器學習需要認識的機率

11-1 機率基本觀念

11-2 數學機率與統計機率

11-3 事件機率名稱

11-4 事件機率規則

11-4-1 不發生機率

11-4-2 機率相加

11-4-3 機率相乘

11-4-4 常見的陷阱

11-4-5 Python 模擬事件重複發生的機率計算

11-5 抽獎的機率 – 加法與乘法綜合應用

11-6 餘事件與乘法的綜合應用

11-7 條件機率

11-7-1 基礎觀念

11-7-2 擲骰子的其他實例

11-8 貝氏定理

11-8-1 基本觀念

11-8-2 用實例驗證貝氏定理

11-8-3 疾病診斷模型

11-8-4 客戶購買意願預測

11-9 COVID-19 的全民普篩準確性推估

11-9-1 COVID-19 準確性推估

11-9-2 再看一個醫學實例

11-10 垃圾郵件篩選

11-10-1 貝氏定理篩選垃圾電子郵件基礎觀念

11-10-2 垃圾郵件分類專案實作

▌第12章 二項式定理

12-1 二項式的定義

12-2 二項式的幾何意義

12-3 二項式展開與規律性分析

12-4 找出xn-kyk 項的係數

12-4-1 基礎觀念

12-4-2 組合數學觀念

12-4-3 係數公式推導與驗證

12-5 二項式的通式

12-5-1 驗證頭尾係數比較

12-5-2 中間項係數驗證

12-6 二項式到多項式

12-7 二項分佈實驗

12-8 用二項式分析國際證照考試業務

12-9 二項式機率分佈Python 實作

12-10 Numpy 隨機數模組的binomial( ) 函數

12-10-1 視覺化模組Seaborn

12-10-2 Numpy 的二項式隨機函數binomial

12-11 二項分佈的創新應用與機器學習實踐

12-11-1 品質控制中的不良品檢測

12-11-2 臨床試驗中的藥物療效

12-11-3 廣告轉換率的預測

12-11-4 機器學習場景 - 二項分佈在二分類問題中的應用

▌第13章 指數觀念與指數函數

13-1 認識指數函數

13-1-1 基礎觀念

13-1-2 指數增長的數據預測 – 用戶增長/ 病毒式行銷

13-1-3 指數衰減的數據預測 – 學習率衰減/ 活躍度衰減

13-1-4 用指數觀念看iPhone 容量

13-2 指數運算的核心規則與應用

13-2-1 指數運算規則

13-2-2 指數運算 - 數據標準化

13-2-3 指數運算 - 激活函數的應用

13-3 指數函數的圖形

13-3-1 底數是變數的指數函數圖形

13-3-2 指數冪是實數變數

▌第14章 機器學習中的對數運算與應用

14-1 機器學習中對數概念與應用背景

14-1-1 對數的由來

14-1-2 從數學看指數的運作觀念

14-1-3 再看對數函數

14-1-4 天文數字的處理

14-1-5 Python 的對數函數應用

14-1-6 機器學習 - 對數運算在特徵縮放中的應用

14-1-7 機器學習 - 對數變換處理異常值

14-1-8 機器學習 - 交叉熵損失函數中的對數應用

14-2 對數表的歷史與數據科學應用

14-2-1 對數表基礎應用

14-2-2 更精確的對數表

14-3 對數運算與指數問題的簡化

14-3-1 用指數處理相當數值的近似值

14-3-2 使用對數簡化運算

14-3-3 簡化大數據的乘法與指數操作

14-3-4 對數控制指數增長的數據範圍

14-4 對數特性與機器學習應用

14-5 對數的運算規則與驗證

14-5-1 等號兩邊使用對數處理結果不變

14-5-2 對數的真數是1

14-5-3 對數的底數等於真數

14-5-4 對數內真數的指數可以移到外面

14-5-5 對數內真數是兩數據相乘結果是兩數據各取對數後再相加

14-5-6 對數內真數是兩數據相除結果是兩數據先取對數後再相減

14-5-7 底數變換

▌第15章 指數函數與激活函數的應用

15-1 認識歐拉數

15-1-1 認識歐拉數

15-1-2 歐拉數的緣由

15-1-3 歐拉數使用公式做定義

15-1-4 計算與繪製歐拉數的函數圖形

15-1-5 指數衰減策略中的歐拉數應用

15-2 邏輯斯函數

15-2-1 認識邏輯斯函數

15-2-2 x 是正無限大

15-2-3 x 是0

15-2-4 x 是負無限大

15-2-5 繪製邏輯斯函數

15-2-6 Sigmoid 函數

15-3 logit 函數

15-3-1 認識Odds

15-3-2 從Odds 到logit 函數

15-3-3 繪製logit 函數

15-4 邏輯斯函數的應用

15-4-1 事件說明與分析

15-4-2 從邏輯斯函數到logit 函數

15-4-3 使用logit 函數獲得係數

15-4-4 邏輯斯函數在二元分類模型中的延伸應用

15-5 Softmax 函數的應用

▌第16章 機器學習數據處理與統計基礎

16-1 機器學習視角 - 母體與樣本

16-1-1 母體與樣本

16-1-2 機器學習視角看母體與樣本

16-2 數據加總與聚合操作

16-2-1 符號運算規則、驗證與活用

16-2-2 數據加總

16-2-3 數據的聚合操作

16-3 認識數據分佈與其在機器學習中的應用

16-3-1 認識數據分佈

16-3-2 數據分佈在機器學習中的應用

16-3-3 數據分佈與演算法選擇

16-3-4 對數轉換應用於偏態分佈數據

16-4 數據中心趨勢與機器學習應用

16-4-1 平均數(mean)

16-4-2 中位數(median)

16-4-3 眾數(mode)

16-4-4 機器學習角度執行工資數據分析

16-4-5 分數分佈圖

16-5 數據分散指標 – 變異數與標準差

16-5-1 變異數

16-5-2 標準差

16-5-3 數據分散指標的應用

▌第17章 機器學習的迴歸分析

17-1 背景與概念介紹

17-2 相關係數(Correlation Coefficient)

17-2-1 認識相關係數

17-2-2 相關係數在迴歸模型中扮演的角色

17-3 建立線性迴歸模型與數據預測

17-3-1 建立迴歸模型

17-3-2 數據預測

17-4 二次函數的迴歸模型

17-5 三次函數的迴歸曲線模型

17-6 使用scikit-learn 模組評估迴歸模型

17-6-1 迴歸模型選擇的基礎觀念

17-6-2 更完整解釋評估模型與scikit-learn方法支援

17-6-3 預測估計時間的銷售預測

17-7 不適合的迴歸分析的實例

17-7-1 繪製三次函數迴歸線

17-7-2 計算R平方判定係數

17-8 不同次數多項式擬合對模型表現的影響

▌第18章 機器學習的向量

18-1 向量的基礎觀念

18-1-1 機器學習的向量知識

18-1-2 認識純量

18-1-3 認識向量

18-1-4 向量表示法

18-1-5 計算向量分量

18-1-6 相對位置的向量

18-1-7 不同路徑的向量運算

18-2 向量加法與機器學習的應用

18-2-1 認識向量加法規則

18-2-2 向量加法在機器學習的應用

18-3 向量的長度

18-4 向量方程式

18-4-1 直線方程式

18-4-2 Python 實作連接2點的方程式

18-4-3 使用向量建立迴歸方程式的理由

18-5 向量內積/餘弦相似度 – 推薦系統設計

18-5-1 協同工作的觀念

18-5-2 計算B所幫的忙

18-5-3 向量內積的定義

18-5-4 兩條直線的夾角

18-5-5 向量內積的性質

18-5-6 餘弦相似度

18-5-7 音樂推薦系統設計

18-5-8 向量內積的應用

18-6 皮爾遜相關係數原理 – 特徵篩選應用

18-6-1 網路購物問卷調查案例解說

18-6-3 向量內積計算係數

18-6-4 皮爾遜相關係數的應用

▌第19章 機器學習的矩陣

19-1 矩陣的表達方式與機器學習應用場景

19-1-1 矩陣的行與列方式

19-1-2 矩陣變數名稱

19-1-3 常見的矩陣表達方式

19-1-4 矩陣元素表達方式

19-1-5 行列的定義在機器學習中的應用

19-2 矩陣相加/相減與機器學習場景應用

19-2-1 基礎觀念

19-2-2 Python 定義矩陣

19-2-3 機器學習矩陣加法運算場景

19-2-4 機器學習矩陣減法運算場景

19-3 矩陣乘以實數與機器學習場景應用

19-4 矩陣乘法與在機器學習的場景

19-4-1 乘法基本規則

19-4-2 乘法案例

19-4-3 矩陣乘法規則

19-4-4 機器學習場景的應用

19-5 方形矩陣

19-6 單位矩陣

19-7 反矩陣與轉置矩陣

19-7-1 基礎觀念

19-7-2 用反矩陣解聯立方程式

19-7-3 轉置矩陣基礎觀念

19-7-4 轉置矩陣的規則

19-7-5 轉置矩陣與皮爾遜相關係數

19-8 深度學習框架的數據表示法 - 張量(Tensor)

▌第20章 向量、矩陣與多元線性迴歸

20-1 向量和矩陣在多元線性迴歸的重要性

20-2 向量應用在線性迴歸

20-3 向量應用在多元線性迴歸

20-4 矩陣應用在多元線性迴歸

20-5 將截距放入矩陣

20-6 簡單的線性迴歸

20-7 多元線性迴歸矩陣方程式的推導

20-8 專題 - 業績預測/用電量預測

20-8-1 廣告與銷售

20-8-2 家庭用電量預測

▌第21章 數據預處理使用Scikit-learn

21-1 Scikit-learn 的歷史

21-2 機器學習的數據集

21-2-1 Scikit-learn 內建的數據集

21-2-2 Kaggle 數據集

21-2-3 UCI 數據集

21-2-4 scikit-learn 函數生成數據

21-3 scikit-learn 生成數據實作

21-3-1 線性分佈數據 - make_regression

21-3-2 集群分佈數據 - make_blobs

21-3-3 交錯半月群集數據 - make_moons

21-3-4 環形結構分佈的群集數據– make_circles

21-3-5 產生n-class 分類數據集

21-4 Scikit-learn 數據預處理

21-4-1 標準化數據StandardScaler

21-4-2 設定數據區間MinMaxScaler

21-4-3 特殊數據縮放RobustScaler

▌第22章 機器學習使用Scikit-learn 入門

22-1 用Scikit-learn 處理線性迴歸

22-1-1 身高與體重的資料

22-1-2 線性擬合數據LinearRegression

22-1-3 資料預測predict

22-1-4 模型的儲存與開啟

22-1-5 計算線性迴歸線的斜率和截距

22-1-6 R 平方判定係數檢驗模型的性能

22-2 機器學習分類演算法 - 模型的性能評估

22-2-1 計算精確度accuracy_score

22-2-2 召回率recall_score

22-2-3 精確率precision_score

22-2-4 F1 分數f1_score

22-2-5 分類報告classification_report

22-2-6 混淆矩陣confusion_matrix

22-2-7 ROC_AUC 分數

22-3 機器學習必需會的非數值資料轉換

22-3-1 One-hot 編碼

22-3-2 特徵名稱由中文改為英文

22-3-3 資料對應map 方法

22-3-4 標籤轉換LabelEncoder

22-4 機器學習演算法

22-5 使用隨機數據學習線性迴歸

22-5-1 建立訓練數據與測試數據使用train_test_split

22-5-2 迴歸模型判斷

22-5-3 score 和r2_score 方法的差異

▌第23章 線性迴歸 - 波士頓房價

23-1 從線性迴歸到多元線性迴歸

23-1-1 簡單線性迴歸

23-1-2 多元線性迴歸

23-2 簡單資料測試

23-2-1 身高、腰圍與體重的測試

23-2-2 了解模型的優劣

23-3 波士頓房價數據集

23-3-1 認識波士頓房價數據集

23-3-2 輸出數據集

23-4 用Pandas 顯示與預處理數據

23-4-1 用Pandas 顯示波士頓房價數據

23-4-2 將房價加入DataFrame

23-4-3 數據清洗

23-5 特徵選擇

23-6 使用最相關的特徵做房價預估

23-6-1 繪製散點圖

23-6-2 建立模型獲得R 平方判定係數、截距與係數

23-6-3 計算預估房價

23-6-4 繪製實際房價與預估房價

23-6-5 繪製3D 的實際房價與預估房價

23-7 多項式迴歸

23-7-1 繪製散點圖和迴歸直線

23-7-2 多項式迴歸公式

23-7-3 生成一元二次迴歸公式的多個特徵項目

23-7-4 多項式特徵應用在LinearRegression

23-7-5 機器學習理想模型

23-7-6 多元多項式的迴歸模型

23-7-7 繪製3D 的實際房價與預估房價

23-8 用所有特徵執行波士頓房價預估

23-9 殘差圖(Residual plot)

23-10 梯度下降迴歸SGDRegressor

23-11 數據洩漏

▌第24章 邏輯斯迴歸 - 信用卡/ 葡萄酒/ 糖尿病

24-1 淺談線性迴歸的問題

24-2 邏輯斯迴歸觀念回顧

24-2-1 基礎觀念複習

24-2-2 應用邏輯斯函數

24-2-3 線性迴歸與邏輯斯迴歸的差異

24-3 邏輯斯迴歸模型基礎應用

24-3-1 語法基礎

24-3-2 挽救可能流失的客戶

24-3-3 多分類演算法解說

24-4 台灣信用卡持卡人數據集

24-4-1 認識UCI_Credit_Card.csv 數據

24-4-2 挑選最重要的特徵

24-4-3 用最相關的2 個特徵設計邏輯斯迴歸模型

24-4-4 使用全部的特徵設計邏輯斯迴歸模型

24-5 葡萄酒數據

24-5-1 認識葡萄酒數據

24-5-2 使用邏輯斯迴歸演算法執行葡萄酒分類

24-6 糖尿病數據

24-6-1 認識糖尿病數據

24-6-2 缺失值檢查與處理

24-6-3 用直方圖了解特徵分佈

24-6-3 用箱形圖了解異常值

24-6-4 用所有特徵值做糖尿病患者預估

24-6-5 繪製皮爾遜相關係數熱力圖

24-6-6 用最相關的皮爾遜相關係數做糖尿病預估

▌第25章 決策樹 – 葡萄酒/ 鐵達尼號/Telco/Retail

25-1 決策樹基本觀念

25-1-1 決策樹應用在分類問題

25-1-2 分類問題的決策樹數學分割原理

25-1-3 決策樹應用在迴歸問題

25-1-4 決策樹在迴歸問題的數學原理

25-2 從天氣數據認識決策樹設計流程- 分類應用

25-2-1 建立決策樹模型物件

25-2-2 天氣數據實例

25-3 葡萄酒數據 - 分類應用

25-3-1 預設條件處理葡萄酒數據

25-3-2 進一步認識決策樹深度

25-3-3 繪製決策樹圖

25-4 鐵達尼號- 分類應用

25-4-1 認識鐵達尼號數據集

25-4-2 決策樹設計鐵達尼號生存預測

25-4-3 交叉分析

25-5 Telco 電信公司- 分類應用

25-5-1 認識WA_Fn-UseC_-Telco-Customer-Churn.csv 數據

25-5-2 決策樹數據分析

25-5-3 了解特徵對模型的重要性

25-5-4 交叉驗證 - 決策樹最佳深度調整

25-6 Retail Data Analytics - 迴歸應用

25-6-1 用簡單的數據預估房價

25-6-2 Retail Data Analytics 數據

▌第26章 隨機森林 – 波士頓房價/ 鐵達尼號/Telco/ 收入分析

26-1 隨機森林基本觀念

26-1-1 Bagging 技術

26-1-2 特徵隨機選擇

26-1-3 隨機森林的應用

26-1-4 隨機森林的優缺點

26-2 波士頓房價 - 迴歸應用

26-2-1 隨機森林RandomForestRegressor( )迴歸函數

26-2-2 隨機森林 - 波士頓房價應用

26-2-3 RandomForestRegressor 的屬性 feature_importances_

26-3 鐵達尼號 – 分類應用

26-4 Telco 客戶流失 – 分類應用

26-5 美國成年人收入分析 – 分類應用

26-5-1 認識adult.csv 數據

26-5-2 使用決策樹處理年收入預估

26-5-3 決策樹特徵重要性

26-5-4 使用隨機森林處理adult.csv 檔案

▌第27章 KNN 演算法 – 鳶尾花/ 小行星撞地球

27-1 KNN 演算法基礎觀念

27-1-1 基礎觀念

27-1-2 K 值的影響

27-2 電影推薦/ 足球射門 - 分類應用

27-2-1 認識語法與簡單實例

27-2-2 電影推薦

27-2-3 足球射門是否進球

27-2-4 交叉驗證

27-2-5 繪製分類的決策邊界(Decision Boundary)

27-2-5 多分類模型的準確率分析

27-3 房價計算/ 選舉準備香腸 – 迴歸應用

27-3-1 認識語法與簡單實例

27-3-2 房價計算

27-3-3 選舉造勢與準備烤香腸數量

27-3-4 KNN 模型的迴歸線分析

27-4 鳶尾花數據 - 分類應用

27-4-1 認識鳶尾花數據集

27-4-2 輸出數據集

27-4-3 用Pandas 顯示鳶尾花數據

27-4-4 映射標籤

27-4-5 繪製特徵變數的散點圖

27-4-6 使用 KNN 演算法進行鳶尾花數據集的分類預測

27-4-7 繪製鳶尾花的決策邊界

27-4-8 計算最優的k 值

27-4-9 交叉驗證

27-5 小行星撞地球 – 分類應用

27-5-1 認識NASA:Asteroids Classification

27-5-2 數據預處理

27-5-3 預測小行星撞地球的準確率

▌第28章 支援向量機 – 鳶尾花/ 乳癌/ 汽車燃料

28-1 支援向量機分類應用的基礎觀念

28-1-1 分類應用的基礎觀念

28-1-2 最大區間的分割

28-1-3 認識支援向量/ 決策邊界/ 與超平面

28-1-4 超平面公式

28-2 支援向量機 - 分類應用的基礎實例

28-2-1 繪製10 個數據點

28-2-2 支援向量機的語法說明

28-2-3 推導超平面的斜率

28-2-4 繪製超平面和決策邊界

28-2-5 數據分類

28-2-6 decision_function()

28-3 從2 維到3 維的超平面

28-3-1 增加數據維度

28-3-2 計算3 維的超平面公式與係數

28-3-3 繪製3 維的超平面

28-4 認識核函數

28-4-1 linear

28-4-2 徑向基函數(Radial Basic Function) - RBF

28-4-3 多項式函數(Polynomail function) - poly

28-4-4 支援向量機的方法

28-5 鳶尾花數據 - 分類應用

28-6 乳腺癌數據 - 分類應用

28-6-1 認識數據

28-6-2 線性支援向量機預測乳腺癌數據

28-6-3 不同核函數應用在乳腺癌數據

28-7 支援向量機 – 迴歸應用的基礎實例

28-7-1 SVR() 語法說明

28-7-2 簡單數據應用

28-7-3 電視購物廣告效益分析

28-8 汽車燃耗效率數據集 - 迴歸分析

28-8-1 認識汽車燃耗效率(MPG) 數據集

28-8-2 使用SVR() 預測汽車燃料數據

▌第29章 單純貝式分類 – 垃圾郵件/ 新聞分類/ 電影評論

29-1 單純貝式分類原理

29-1-1 公式說明

29-1-2 簡單實例說起

29-1-3 拉普拉斯平滑修正

29-2 詞頻向量模組 - CountVerctorizer

29-3 多項式單純貝式模組 - MultinomialNB

29-3-1 語法觀念

29-3-2 文章分類實作

29-3-3 垃圾郵件分類

29-4 垃圾郵件分類 – Spambase 數據集

29-4-1 認識垃圾郵件數據集Spambase

29-4-2 垃圾郵件分類預測

29-5 新聞郵件分類 – 新聞數據集20newsgroups

29-5-1 認識新聞數據集20newsgroups

29-5-2 新聞分類預測

29-5-3 TfidfVectorizer 模組 - 文件事前處理TF-IDF

29-5-4 輸入文件做新聞分類

29-6 情感分析 – 電影評論IMDB Dataset分析

29-6-1 基礎觀念實例

29-6-2 電影評論IMDB Dataset 數據集

29-7 單純貝式分類於中文的應用

29-7-1 將中文字串應用在CountVectorizer模組

29-7-2 jieba - 結巴

29-7-3 jieba 與CountVectorizer 組合應用

29-7-4 簡單中文情感分析程式

29-8 今日頭條數據集

29-8-1 認識數據集

29-8-2 今日頭條數據集實作

▌第30章 集成機器學習 – 蘑菇/ 醫療保險/ 玻璃/ 加州房價

30-1 集成學習的基本觀念

30-1-1 基本觀念

30-1-2 集成學習效果評估

30-2 集成學習 - 投票法Voting( 鳶尾花/ 波士頓房價)

30-2-1 投票法 - 分類應用

30-2-2 投票法 - 迴歸應用

30-3 集成學習 - 裝袋法Bagging( 蘑菇/ 醫療保險)

30-3-1 裝袋法 – 分類應用語法說明

30-3-2 蘑菇數據分類應用

30-3-3 裝袋法 – 迴歸應用語法說明

30-3-4 醫療保險數據迴歸應用

30-4 集成學習 - 適應性提升法AdaBoost

30-4-1 AdaBoost 提升法 - 分類應用語法說明

30-4-2 AdaBoost 提升法 - 迴歸應用語法說明

30-5 集成學習 - 梯度提升法Gradient Boosting

30-5-1 Gradient Boosting - 分類應用語法說明

30-5-2 玻璃數據集分類的應用

30-5-3 Gradient Boosting – 迴歸應用語法說明

30-5-4 加州房價數據集迴歸應用

30-6 集成學習 – 堆疊法Stacking

30-6-1 StackingClassifier - 分類應用語法說明

30-6-2 RidgeCV( )

30-6-3 StackingRegressor – 迴歸應用語法說明

▌第31章 K-means 分群 – 購物中心消費/ 葡萄酒評價

31-1 認識無監督學習

31-1-1 回顧監督學習數據

31-1-2 無監督學習數據

31-1-3 無監督學習與監督學習的差異

31-1-4 無監督學習的應用

31-2 K-means 演算法

31-2-1 演算法基礎

31-2-2 Python 硬功夫程式實作

31-3 Scikit-learn 的KMeans 模組

31-3-1 KMeans 語法

31-3-2 分群的基礎實例

31-3-3 數據分群的簡單實例

31-4 評估分群的效能

31-4-1 群內平方和(WCSS)

31-4-2 輪廓係數(Silhouette Coefficient)

31-4-3 調整蘭德係數(Rand Index, ARI)

31-5 最佳群集數量

31-5-1 肘點法(Elbow Method)

31-5-2 輪廓分析(Silhouette Analysis)

31-6 消費分析 - 購物中心客戶消費數據

31-6-1 認識Mall Customer Segmentation Data

31-6-2 收入與消費分群

31-6-3 依據性別分析「年收入 vs 消費力」

31-6-4 依據年齡層分析「年收入 vs 消費力」

31-7 價格 vs 評價 - 葡萄酒Wine Reviews

31-7-1 認識Wine Reviews 數據

▌第32章 PCA 主成份分析 – 手寫數字/ 人臉數據

32-1 PCA 基本觀念

32-1-1 基本觀念

32-1-2 PCA 方法與基礎數據實作

32-1-3 數據白化whiten

32-2 鳶尾花數據的PCA 應用

32-2-1 鳶尾花數據降維

32-2-2 SVC 與PCA 在鳶尾花的應用

32-2-3 PCA 主成份與原始特徵的分析

32-3 數字辨識 - 手寫數字digits dataset

32-3-1 認識手寫數字數據集digits dataset

32-3-2 決策樹與隨機森林辨識手寫數字

32-3-3 PCA 與手寫數字整合應用

32-4 人臉辨識 – 人臉數據Labeled Faces in the Wild

32-4-1 認識人臉數據LFW

32-4-2 人臉辨識預測

32-4-3 加上PCA 的人臉辨識

▌第33章 階層式分群 – 小麥數據/ 老實泉

33-1 認識階層式分群

33-2 凝聚型(Agglomerative) 分群

33-2-1 凝聚型分群定義

33-2-2 簡單實例解說linkage( ) 方法

33-2-3 單鏈接法(Single Linkage) 說明

33-2-4 簡單實例解說分群方法

33-2-5 分群方法ward( )

33-2-6 分群數量的方法

33-2-7 凝聚型分群AgglomerativeClustering

33-3 小麥數據集Seeds dataset

33-3-1 認識數據集Seeds dataset

33-3-2 凝聚型分群應用在Seeds dataset

33-4 老實泉數據Old Faithful Geyser Data

33-4-1 認識老實泉數據集

33-4-2 繪製樹狀圖

33-4-3 凝聚型分群應用在老實泉數據

▌第34章 DBSCAN 演算法 – 購物中心客戶分析

34-1 DBSCAN 演算法

34-1-1 DBSCAN 演算法的參數觀念

34-1-2 點的定義

34-1-3 演算法的步驟

34-2 scikit-learn 的DBSCAN 模組

34-2-1 DBSCAN 語法

34-2-2 DBSCAN 演算法基礎實例

34-3 消費分析 - 購物中心客戶消費數據

附錄A 函數與方法索引表