打下最紮實的AI基礎：從scikit-learn一步一腳印

Chapter01 機器學習介紹
1.1 什麼是機器學習
1.2 機器學習有什麼用
1.3 機器學習的分類
1.4 機器學習應用程式開發的典型步
1.5 複習題

Chapter02 Python 機器學習軟體套件
2.1 開發環境架設
2.3 Numpy 簡介
2.4 Pandas 簡介

Chapter03 機器學習理論基礎
3.1 過擬合和欠擬合
3.2 成本函數
3.3 模型準確性
3.4 學習曲線
3.5 演算法模型效能最佳化
3.6 查準率和召回率
3.7 F1 Score
3.8 複習題

Chapter04 k- 近鄰演算法
4.1 演算法原理
4.2 範例：使用k- 近鄰演算法進行分類
4.3 範例：使用k- 近鄰演算法進行回歸擬合
4.4 實例：糖尿病預測
4.5 擴充閱讀
4.6 複習題

Chapter05 線性回歸演算法
5.1 演算法原理
5.2 多變數線性回歸演算法
5.3 模型最佳化
5.4 範例：使用線性回歸演算法擬合正弦函數
5.5 範例：測算房價
5.6 擴充閱讀
5.7 複習題

Chapter06 邏輯回歸演算法
6.1 演算法原理
6.2 多元分類
6.3 正規化
6.4 演算法參數
6.5 實例：乳腺癌檢測
6.6 擴充閱讀
6.7 複習題

Chapter07 決策樹
7.1 演算法原理
7.2 演算法參數
7.3 實例：預測鐵達尼號倖存者
7.4 擴充閱讀
7.5 集合演算法
7.6 複習題

Chapter08 支援向量機
8.1 演算法原理
8.2 核心函數
8.3 scikit-learn 裡的
8.4 實例：乳腺癌檢測
8.5 複習題

Chapter09 單純貝氏演算法
9.1 演算法原理
9.2 一個簡單的實例
9.3 機率分佈
9.4 連續值的處理
9.5 實例：文件分類
9.6 複習題

Chapter10 PCA 演算法
10.1 演算法原理
10.2 PCA 演算法範例
10.3 PCA 的資料還原率及應用
10.4 實例：人臉識別
10.5 擴充閱讀
10.6 複習題

Chapter11 k- 平均值演算法
11.1 演算法原理
11.2 scikit-learn 裡的k- 平均值演算法
11.3 使用k- 平均值對文件進行分群分析
11.4 分群演算法效能評估
11.5 複習題

AppendixA 後記
A.1 回顧與展望

 

序

　　機器學習是近年來非常熱門的方向，然而普通的程式設計師想要轉行機器學習卻困難重重。回想起來，筆者在剛開始學習機器學習時，就被一大堆數學公式和推導過程所折磨，這樣的日子至今還歷歷在目。當時筆者也覺得機器學習是個門檻非常高的學科。但實際上，在機器學習的從業人員裡，究竟有多少人需要從頭去實現一個演算法？又有多少人有機會去發明一個新演算法？從一開始就被細節和困難纏住，這嚴重打擊想進入機器學習領域新人的熱情和信心。

　　本書就是要解決這個問題。筆者希望儘量透過通俗的語言去描述演算法的工作原理，並使用scikit-learn 工具套件示範演算法的使用，以及演算法所能解決的問題，給那些非專業出身而想半路「殺進」人工智慧領域的程式設計師，以及對機器學習有興趣的人提供一本入門的書籍。

　　當然，這裡不是否認數學和演算法實現的重要性，畢竟它們是人工智慧領域的基礎學科方向。萬事起頭難，只有開啟了一扇門，才能發現一個新的五彩繽紛的世界。在這個世界裡，我們可以吃到新口味的麵包，也能認識那些做麵包給別人吃的人。希望本書能幫助讀者開啟機器學習的這扇門。