-
機器學習:彩色圖解+基礎數學篇+Python實作 王者歸來
-
點閱:3883
510人已收藏
- 作者: 洪錦魁作
- 出版社:深智數位
- 出版年:2021
- ISBN:9789865501969
- EISBN:9789865501983 PDF
- 格式:PDF,JPG
- 頁數:444
- 系列書: 機器學習,本系列共5本
租期14天
今日租書可閱讀至2025-03-02
這幾年心中總想寫一本可以讓擁有高中數學程度的讀者即可看懂人工智慧、機器學習或深度學習的書籍,或是說看了不會想睡覺的機器學習書籍,這個理念成為我撰寫這本書籍很重要的動力。為了卸除數學心房,筆者撰寫此書依循原則如下:
★:數學原理彩色圖解。
★:手工計算基礎數學。
★:Python程式高效實作。
這本數撰寫的幾個特色如下:
☆:全數共用約205個Python實例,講解機器學習的基礎數學
☆:極詳細、超清楚、帶領讀者從畏懼數學到喜歡數學
☆:複雜的數學符號重新拆解,原來可以很容易
☆:了解機器學習的數學原理,讓機器學習程式充滿智慧靈魂
在徹底研究機器學習後,筆者體會許多基礎數學不是不會與艱難而是生疏了,如果機器學習的書籍可以將複雜公式從基礎開始一步一步推導,其實可以很容易帶領讀者進入這個領域,同時感受數學不再如此艱澀,這也是我撰寫本書時時提醒自己要留意的事項。
研究機器學習雖然有很多模組可以使用,但是如果不懂相關數學原理,坦白說筆者不會相信未來你在這個領域會有所成就,這本書講解了下列相關數學的基本知識。
■ 資料視覺化使用matplotlib、Seaborn
■ 基礎數學模組Math
■ 基礎數學模組Sympy
■ 數學應用模組Numpy
■ 將LaTeX應用在圖表
■ 機器學習基本觀念
■ 從方程式到函數
■ 方程式與機器學習
■ 從畢氏定理看機器學習
■ 聯立方程式與聯立不等式與機器學習
■ 機器學習需要知道的二次函數與三次函數
■ 數據擬合、決定係數與迴歸曲線製作
■ 數據預測
■ 機器學習的最小平方法
■ 機器學習必須知道的集合與機率
■ 機率觀念與貝式定理的運用-COVID-19的全民普篩準確性推估
■ 筆者講解指數與對數的運算規則,同時驗證這些規則
■ 除了講解機器學習很重要的歐拉數(Euler’s Number),更說明歐拉數的由來
■ 認識邏輯(logistic)函數與logit函數
■ 三角函數
■ 大型運算子運算
■ 向量、矩陣與線性迴歸
■ 統計知識
■ 機器學習模組scikit-learn,監督學習與無監督學習。
相關書籍
這本書是筆者所著機器學習系列書的起點,讀者還可以閱讀下列書籍:
機器學習
彩色圖解 + 微積分篇 + Python實作
☆:全數共用約205個Python實例,講解機器學習的基礎數學
☆:極詳細、超清楚、帶領讀者從畏懼數學到喜歡數學
☆:複雜的數學符號重新拆解,原來可以很容易
☆:了解機器學習的數學原理,讓機器學習程式充滿智慧靈魂
在徹底研究機器學習後,筆者體會許多基礎數學不是不會與艱難而是生疏了,如果機器學習的書籍可以將複雜公式從基礎開始一步一步推導,其實可以很容易帶領讀者進入這個領域,同時感受數學不再如此艱澀,這也是我撰寫本書時時提醒自己要留意的事項。
研究機器學習雖然有很多模組可以使用,但是如果不懂相關數學原理,坦白說筆者不會相信未來你在這個領域會有所成就,這本書講解了下列相關數學的基本知識。
■ 資料視覺化使用matplotlib、Seaborn
■ 基礎數學模組Math
■ 基礎數學模組Sympy
■ 數學應用模組Numpy
■ 將LaTeX應用在圖表
■ 機器學習基本觀念
■ 從方程式到函數
■ 方程式與機器學習
■ 從畢氏定理看機器學習
■ 聯立方程式與聯立不等式與機器學習
■ 機器學習需要知道的二次函數與三次函數
■ 數據擬合、決定係數與迴歸曲線製作
■ 數據預測
■ 機器學習的最小平方法
■ 機器學習必須知道的集合與機率
■ 機率觀念與貝式定理的運用-COVID-19的全民普篩準確性推估
■ 筆者講解指數與對數的運算規則,同時驗證這些規則
■ 除了講解機器學習很重要的歐拉數(Euler’s Number),更說明歐拉數的由來
■ 認識邏輯(logistic)函數與logit函數
■ 三角函數
■ 大型運算子運算
■ 向量、矩陣與線性迴歸
■ 統計知識
■ 機器學習模組scikit-learn,監督學習與無監督學習。
相關書籍
這本書是筆者所著機器學習系列書的起點,讀者還可以閱讀下列書籍:
機器學習
彩色圖解 + 微積分篇 + Python實作
- 第 1 章 資料視覺化(第1-1頁)
- 1-1 認識mapplotlib.pyplot 模組的主要函數(第1-2頁)
- 1-2 繪製簡單的折線圖 plot( )(第1-3頁)
- 1-3 繪製散點圖 scatter( )(第1-21頁)
- 1-4 Numpy 模組(第1-25頁)
- 1-5 圖表顯示中文(第1-39頁)
- 1-6 長條圖與直方圖(第1-40頁)
- 1-7 Numpy 的指數與對數函數(第1-43頁)
- 第 2 章 數學模組 Math 和 Sympy(第2-1頁)
- 2-1 數學模組的變數(第2-2頁)
- 2-2 一般函數(第2-2頁)
- 2-3 log( ) 函數(第2-4頁)
- 2-4 三角函數(第2-5頁)
- 2-5 Sympy 模組(第2-6頁)
- 第 3 章 機器學習基本觀念(第3-1頁)
- 3-1 人工智慧、機器學習、深度學習(第3-2頁)
- 3-2 認識機器學習(第3-2頁)
- 3-3 機器學習的種類(第3-3頁)
- 3-4 機器學習的應用範圍(第3-5頁)
- 第 4 章 機器學習的基礎數學(第4-1頁)
- 4-1 用數字描繪事物(第4-2頁)
- 4-2 變數觀念(第4-2頁)
- 4-3 從變數到函數(第4-3頁)
- 4-4 等式運算的規則(第4-4頁)
- 4-5 代數運算的基本規則(第4-5頁)
- 4-6 用數學抽象化開餐廳的生存條件(第4-5頁)
- 4-7 基礎數學的結論(第4-7頁)
- 第 5 章 認識方程式 / 函數 / 座標圖形(第5-1頁)
- 5-1 認識方程式(第5-2頁)
- 5-2 方程式文字描述方法(第5-2頁)
- 5-3 一元一次方程式(第5-3頁)
- 5-4 函數(第5-3頁)
- 5-5 座標圖形分析(第5-6頁)
- 5-6 將線性函數應用在機器學習(第5-10頁)
- 第 6 章 從聯立方程式看機器學習的數學模型(第6-1頁)
- 6-1 數學觀念建立連接兩點的直線(第6-2頁)
- 6-2 機器學習使用聯立方程式推估數據(第6-5頁)
- 6-3 從 2 條直線的交叉點推估科學數據(第6-11頁)
- 6-4 兩條直線垂直交叉(第6-15頁)
- 第 7 章 從畢氏定理看機器學習(第7-1頁)
- 7-1 驗證畢氏定理(第7-2頁)
- 7-2 將畢氏定理應用在性向測試(第7-3頁)
- 7-3 將畢氏定理應用在三維空間(第7-5頁)
- 7-4 將畢氏定理應用在更高維的空間(第7-6頁)
- 7-5 電影分類(第7-6頁)
- 第 8 章 聯立不等式與機器學習(第8-1頁)
- 8-1 聯立不等式的基本觀念(第8-2頁)
- 8-2 聯立不等式的線性規劃(第8-2頁)
- 8-3 Python 計算(第8-8頁)
- 第 9 章 機器學習需要知道的二次函數(第9-1頁)
- 9-1 二次函數的基礎數學(第9-2頁)
- 9-2 從一次到二次函數的實務(第9-14頁)
- 9-3 認識二次函數的係數(第9-16頁)
- 9-4 使用 3 個點求解二次函數(第9-17頁)
- 9-5 二次函數的配方法(第9-22頁)
- 9-6 二次函數與解答區間(第9-25頁)
- 第 10 章 機器學習的最小平方法(第10-1頁)
- 10-1 最小平方法基本觀念(第10-2頁)
- 10-2 簡單的企業實例(第10-4頁)
- 10-3 機器學習建立含誤差值的線性方程式(第10-5頁)
- 10-4 Numpy 實作最小平方法(第10-9頁)
- 10-5 線性迴歸(第10-10頁)
- 10-6 實務應用(第10-12頁)
- 第 11 章 機器學習必須懂的集合(第11-1頁)
- 11-1 使用 Python 建立集合(第11-2頁)
- 11-2 集合的操作(第11-4頁)
- 11-3 子集、宇集與補集有(第11-8頁)
- 11-4 加入與刪除集合元素(第11-9頁)
- 11-5 冪集與 Sympy 模組(第11-10頁)
- 11-6 笛卡兒積(第11-11頁)
- 第 12 章 機器學習必須懂的排列與組合(第12-1頁)
- 12-1 排列基本觀念(第12-2頁)
- 12-2 有多少條回家路(第12-3頁)
- 12-3 排列組合(第12-5頁)
- 12-4 階乘的觀念(第12-8頁)
- 12-5 重複排列(第12-12頁)
- 12-6 組合(第12-14頁)
- 第 13 章 機器學習需要認識的機率(第13-1頁)
- 13-1 機率基本觀念(第13-2頁)
- 13-2 數學機率與統計機率(第13-5頁)
- 13-3 事件機率名稱(第13-6頁)
- 13-4 事件機率規則(第13-7頁)
- 13-5 抽獎的機率 – 加法與乘法綜合應用(第13-8頁)
- 13-6 餘事件與乘法的綜合應用(第13-9頁)
- 13-7 條件機率(第13-10頁)
- 13-8 貝氏定理(第13-13頁)
- 13-9 蒙地卡羅模擬(第13-16頁)
- 13-10 Numpy 的隨機模組 random(第13-18頁)
- 第 14 章 二項式定理(第14-1頁)
- 14-1 二項式的定義(第14-2頁)
- 14-2 二項式的幾何意義(第14-2頁)
- 14-3 二項式展開與規律性分析(第14-3頁)
- 14-4 找出 xn-k yk 項的係數(第14-4頁)
- 14-5 二項式的通式(第14-6頁)
- 14-6 二項式到多項式(第14-7頁)
- 14-7 二項分佈實驗(第14-7頁)
- 14-8 將二項式觀念應用在業務數據分析(第14-8頁)
- 14-9 二項式機率分佈 Python 實作(第14-10頁)
- 14-10 Numpy 隨機數模組的 binomial( ) 函數(第14-14頁)
- 第 15 章 指數觀念與指數函數(第15-1頁)
- 15-1 認識指數函數(第15-2頁)
- 15-2 指數運算的規則(第15-6頁)
- 15-3 指數函數的圖形(第15-8頁)
- 第 16 章 對數 (logarithm)(第16-1頁)
- 16-1 認識對數函數(第16-2頁)
- 16-2 對數表的功能(第16-5頁)
- 16-3 對數運算可以解決指數運算的問題(第16-6頁)
- 16-4 認識對數的特性(第16-9頁)
- 16-5 對數的運算規則與驗證(第16-10頁)
- 第 17 章 歐拉數與邏輯函數(第17-1頁)
- 17-1 歐拉數(第17-2頁)
- 17-2 邏輯函數(第17-6頁)
- 17-3 logit 函數(第17-9頁)
- 17-4 邏輯函數的應用(第17-11頁)
- 第 18 章 三角函數(第18-1頁)
- 18-1 直角三角形的邊長與夾角(第18-2頁)
- 18-2 三角函數的定義(第18-3頁)
- 18-3 計算三角形的面積(第18-4頁)
- 18-4 角度與弧度(第18-6頁)
- 18-5 程式處理三角函數(第18-9頁)
- 18-6 從單位圓看三角函數(第18-10頁)
- 第 19 章 基礎統計與大型運算子(第19-1頁)
- 19-1 母體與樣本(第19-2頁)
- 19-2 數據加總(第19-3頁)
- 19-3 數據分佈(第19-4頁)
- 19-4 數據中心指標(第19-5頁)
- 19-5 數據分散指標(第19-12頁)
- 19-6 Σ 符號運算規則與驗證(第19-16頁)
- 19-7 Σ 活用符號(第19-18頁)
- 19-8 迴歸分析(第19-20頁)
- 19-9 隨機函數的分佈(第19-27頁)
- 第 20 章 機器學習的向量(第20-1頁)
- 20-1 向量的基礎觀念(第20-2頁)
- 20-2 向量加法的規則(第20-8頁)
- 20-3 向量的長度(第20-11頁)
- 20-4 向量方程式(第20-13頁)
- 20-5 向量內積(第20-16頁)
- 20-6 皮爾遜相關係數(第20-25頁)
- 20-7 向量外積(第20-31頁)
- 第 21 章 機器學習的矩陣(第21-1頁)
- 21-1 矩陣的表達方式(第21-2頁)
- 21-2 矩陣相加與相減(第21-3頁)
- 21-3 矩陣乘以實數(第21-5頁)
- 21-4 矩陣乘法(第21-6頁)
- 21-5 方形矩陣(第21-11頁)
- 21-6 單位矩陣(第21-11頁)
- 21-7 反矩陣(第21-12頁)
- 21-8 用反矩陣解聯立方程式(第21-13頁)
- 21-9 張量 (Tensor)(第21-14頁)
- 21-10 轉置矩陣(第21-15頁)
- 第 22 章 向量、矩陣與多元線性回歸(第22-1頁)
- 22-1 向量應用在線性迴歸(第22-2頁)
- 22-2 向量應用在多元線性迴歸(第22-3頁)
- 22-4 將截距放入矩陣(第22-6頁)
- 22-5 簡單的線性迴歸(第22-7頁)
- 第 23 章 三次函數迴歸曲線的程式實作(第23-1頁)
- 23-1 繪製數據的散點圖(第23-2頁)
- 23-2 三次函數的迴歸曲線模型(第23-3頁)
- 23-3 使用 scikit-learn 模組計算決定係數(第23-5頁)
- 23-4 預測未來值(第23-6頁)
- 23-5 不適合的三次函數迴歸數據(第23-7頁)
- 第 24 章 機器學習使用 scikit-learn 入門(第24-1頁)
- 24-1 認識 scikit-learn 數據模組 datasets(第24-2頁)
- 24-2 監督學習 – 線性迴歸(第24-2頁)
- 24-3 無監督學習 – 群集分析(第24-9頁)
紙本書 NT$ 680
單本電子書
NT$
476
點數租閱
20點
租期14天
今日租書可閱讀至2025-03-02
今日租書可閱讀至2025-03-02
同分類熱門書