序



　　AI 時代已然到來，機器學習成為當前最受矚目的顯學。然而，傳統的機器學習書籍常充滿艱深難懂的數學推導公式，對許多讀者（包括筆者在內）來說，宛如最佳催眠劑。因此，在撰寫這本書時，筆者秉持以下三大原則：



　　◆ 白話詮釋機器學習知識：用淺顯易懂的語言，讓讀者輕鬆學得會，看得懂。

　　◆ AI 場景融入數學應用：在介紹基礎數學時，即時融入該知識在機器學習中的應用場景。

　　◆ 理論結合實務案例：透過實際案例解說，幫助讀者全面掌握理論背後的實際意義。

與多位機器學習領域的專家討論後，我們一致認為，一本好的機器學習書籍應具備以下特色：

　　◆ 白話解釋數學與演算法：作者應以最淺顯的語言解釋數學原理與演算法，幫助讀者以最簡單的方式掌握機器學習核心。

　　◆ 從基礎數學入門：介紹與機器學習相關的基礎數學，並輔以彩色圖表和程式實例進行解說，同時說明在AI 場景可能應用。

　　◆ 統計與機率應用：以圖表和程式實例講解基礎統計概念，並深入說明基礎機率與貝式理論，將理論轉化為未來AI 場景應用與實際操作。

　　◆ 逐步深入解析演算法：用簡單數據輔助說明演算法原理時，逐步使用 AI 經典數據。

　　◆ 問題解決策略與技巧：除了基礎理論與程式碼，還應提供針對特定問題的實用策略與技巧，如特徵選擇、模型選擇和超參數調整等。

　　◆ 實際案例分析：結合真實世界的案例，展示機器學習在現實場景中的應用，讓讀者更直觀地理解如何將理論與技術應用於解決實際問題。



　　在撰寫本書的過程中，筆者始終以上述特色為指引，力求將這本書打造為目前中文書籍中最完整的機器學習專著。本書共分為34 章，內容架構如下：



　　◆ 第1 ~ 20章：聚焦數學、機率與統計知識，並結合未來AI場景的應用進行講解。

　　◆ 第 21 至 22 章：深入解析 Scikit-learn 模組及數據預處理的相關知識。

　　◆ 第 23 至 34 章：講解機器學習演算法的核心觀念，並透過真實案例進行實務分析。



　　全書包含約431 個Python 程式實例，讀者可以從中系統性地學習與機器學習相關的數學、機率與統計，以及相關AI 場景應用知識，包括但不限於以下內容：

　　◆ 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。



　　當讀者掌握了前述的知識後，筆者將從簡單的實例開始，逐步介紹以下機器學習演算法。每種演算法均以基礎數據為起點，詳細解說其核心概念，接著延伸至真實數據，並說明如何將這些演算法應用於實際案例中，具體實例如下：

　　◆ 線性迴歸：以波士頓房價為例。

　　◆ 邏輯斯迴歸：信用卡欺詐檢測、葡萄酒品質分析、糖尿病預測。

　　◆ 決策樹：葡萄酒品質、鐵達尼號生存預測、Telco 用戶流失、零售分析。

　　◆ 隨機森林：收入預測、波士頓房價、鐵達尼號、Telco 用戶分析。

　　◆ KNN 演算法：電影推薦系統、足球射門預測、鳶尾花分類、小行星撞地球風險分析。

　　◆ 支援向量機：鳶尾花分類、乳癌診斷、汽車燃料效率預測。

　　◆ 單純貝式分類：垃圾郵件檢測、中英文新聞分類、情感分析、電影評論分類。

　　◆ 集成機器學習：蘑菇分類、醫療保險成本預測、玻璃材料分析、加州房價預測。

　　◆ K-means 分群：購物中心消費行為分析、葡萄酒評價分群。

　　◆ PCA 主成分分析：手寫數字辨識、人臉數據降維。

　　◆ 階層式分群：小麥品種分類、老實泉噴發分析。

　　◆ DBSCAN 演算法：購物中心客戶分群分析。



　　透過這些實例，讀者不僅能深入理解各種演算法的理論與應用，還能學會如何將其靈活運用於現實場景，為後續的進階研究與實務應用打下扎實基礎。在講解上述演算法時，筆者同時介紹下列機器學習應該知道的知識：

　　◆ 特徵選擇

　　◆ 用長條圖了解特徵分佈

　　◆ 用箱型圖了解異常值

　　◆ 數據預處理　

　　◆ 機器學習性能評估

　　◆ 殘差圖 (Residualplot)

　　◆ 過擬合 (overfittng)

　　◆ 欠擬合 (underfittng)

　　◆ 泛化能力 (Generalization Ability)

　　◆ 數據洩漏 (Data leakage)

　　◆ 數據白化 (whiten)

　　◆ 繪製決策樹圖 (Decision tree map)

　　◆ 可視化熱力圖 (Heat map)

　　◆ 決策邊界 (Decision Boundary)

　　◆ 增加數據維度與超平面

　　◆ 交叉驗證 (Cross-validation)　　

　　◆ 弱學習器 (Weaks learners)

　　◆ 強學習器 (Strong learners)

　　◆ 學習模型 (base learner)



　　這本書雖然沒有專門章節介紹機器學習必須會的繪圖知識matplotlib、seaborn，數據預處理numpy、pandas，但是每個程式在解說時，筆者已經用文字和程式實例講解了這方面的相關知識，無形中讀者就可以學會這方面的知識。



　　感謝好友銘傳大學前研發長、前統計系系主任張慶輝博士，協助本書校對工作。



　　寫過許多的電腦書著作，本書沿襲筆者著作的特色，程式實例豐富，相信讀者只要遵循本書內容，必定可以在最短時間，精通使用Python 設計機器學習相關應用的知識。編著本書雖力求完美，但是學經歷不足，謬誤難免，尚祈讀者不吝指正。