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?

本書同時符合教學與活動需求�用途，它平衡理論知識的傳授與實際操作和應用能力的培養，包括：

(一) 教學需求：理論傳授與知識體系

　　教學需求主要關注於知識的完整性、結構的邏輯性、概念的清晰度，以及學術上的嚴謹性。

(二) 活動需求或用途（Python實作與應用能力）

　　活動需求或用途主要關注於實用性、操作性、技能的培養，以及將理論轉化為實際解決方案的能力。



　　本書更是引人入勝且實用的機器學習教科書，它包含以下幾個重要的特色：



一、內容結構與廣度

(一) 基礎紮實，循序漸進

1. 從核心概念開始：確保讀者能確實理解機器學習的基礎原理，例如監督式學習、非監督式學習、強化學習的區別與應用場景。

2. 數學與統計基礎的平衡：提供足夠的數學直覺和必要的推導（如梯度下降、機率論、線性代數），但同時避免過度鑽研數學細節而嚇跑讀者。

(二) 涵蓋主流演算法與模型

1. 經典與現代並重：包含線性�邏輯迴歸、決策樹、支援向量機等經典演算法。

2. 深度學習的深入探討：專門設立章節深入介紹深度學習，包括卷積神經網路（CNN）、遞迴神經網路（RNN）、長短期記憶（LSTM）、門控循環單元（GRU）、Transformer架構等，因為這是當前的熱門與主流應用。

(三) 實務流程與評估

1. 機器學習專案生命週期：詳細介紹資料清洗（Data Cleaning）、特徵工程、模型訓練、模型評估與選擇、超參數校正等端到端的實務流程。

2. 公正的評估指標：清楚解釋並比較準確度、精準度、召回率、F1分數、AUC-ROC等各種模型評估指標，並說明它們在不同應用場景下的適用性。



二、教學方法與實用性

(一) 豐富且清晰的程式碼範例

1. Python程式設計為主：使用業界最主流的Python語言，搭配Scikit-learn、TensorFlow或PyTorch等函式庫。

2. 動手實作（Hands-on）：每個演算法或概念都應配有清晰、可運行的程式碼範例，鼓勵讀者即時操作，將理論知識轉化為實際技能。

(二) 真實世界的案例研究

1. 應用導向：使用真實或類真實的數據集（例如Kaggle上的數據集），進行完整的案例研究，展示機器學習如何解決實際問題，如圖像分類、自然語言處理、推薦系統等。

2. 倫理與偏見：專門討論機器學習的倫理問題、數據偏見以及模型的可解釋性，這對於訓練負責任的資料科學家至關重要。



　　總結來說，本書是實用的機器學習教科書，內容兼具理論深度、實務廣度，在Python程式碼實用性和教學直覺性之間取得完美平衡。



張紹勳（彰師大電機與機械科技學系，電話：0986-045-005）、張任坊、張博一　敬上?