第1 章 資料視覺化

1-1 認識mapplotlib.pyplot 模組的主要函數

1-2 繪製簡單的折線圖plot( )

1-3 繪製散點圖scatter( )

1-4 Numpy 模組

1-5 圖表顯示中文

1-6 長條圖與直方圖

1-7 Numpy 的指數與對數函數



第2 章 數學模組Math 和Sympy

2-1 數學模組的變數

2-2 一般函數

2-3 log( ) 函數

2-4 三角函數

2-5 Sympy 模組



第3 章 機器學習基本觀念

3-1 人工智慧、機器學習、深度學習

3-2 認識機器學習

3-3 機器學習的種類

3-4 機器學習的應用範圍



第4 章 機器學習的基礎數學

4-1 用數字描繪事物

4-2 變數觀念

4-3 從變數到函數

4-4 等式運算的規則

4-5 代數運算的基本規則

4-6 用數學抽象化開餐廳的生存條件

4-7 基礎數學的結論



第5 章 認識方程式/ 函數/ 座標圖形

5-1 認識方程式

5-2 方程式文字描述方法

5-3 一元一次方程式

5-4 函數

5-5 座標圖形分析

5-6 將線性函數應用在機器學習



第6 章 從聯立方程式看機器學習的數學模型

6-1 數學觀念建立連接兩點的直線

6-2 機器學習使用聯立方程式推估數據

6-3 從2 條直線的交叉點推估科學數據

6-4 兩條直線垂直交叉



第7 章 從畢氏定理看機器學習

7-1 驗證畢氏定理

7-2 將畢氏定理應用在性向測試

7-3 將畢氏定理應用在三維空間

7-4 將畢氏定理應用在更高維的空間

7-5 電影分類



第8 章 聯立不等式與機器學習

8-1 聯立不等式的基本觀念

8-2 聯立不等式的線性規劃

8-3 Python 計算



第9 章 機器學習需要知道的二次函數

9-1 二次函數的基礎數學

9-2 從一次到二次函數的實務

9-3 認識二次函數的係數

9-4 使用3 個點求解二次函數

9-5 二次函數的配方法

9-6 二次函數與解答區間



第10 章 機器學習的最小平方法

10-1 最小平方法基本觀念

10-2 簡單的企業實例

10-3 機器學習建立含誤差值的線性方程式

10-4 Numpy 實作最小平方法

10-5 線性迴歸

10-6 實務應用



第11 章 機器學習必須懂的集合

11-1 使用Python 建立集合

11-2 集合的操作

11-3 子集、宇集與補集

11-4 加入與刪除集合元素

11-5 冪集與Sympy 模組

11-6 笛卡兒積



第12 章 機器學習必須懂的排列與組合

12-1 排列基本觀念

12-2 有多少條回家路

12-3 排列組合

12-4 階乘的觀念

12-5 重複排列

12-6 組合



第13 章 機器學習需要認識的機率

13-1 機率基本觀念

13-2 數學機率與統計機率

13-3 事件機率名稱

13-4 事件機率規則

13-5 抽獎的機率 – 加法與乘法綜合應用

13-6 餘事件與乘法的綜合應用

13-7 條件機率

13-8 貝氏定理

13-9 蒙地卡羅模擬

13-10 Numpy 的隨機模組random



第14 章 二項式定理

14-1 二項式的定義

14-2 二項式的幾何意義

14-3 二項式展開與規律性分析

14-4 找出xn-kyk 項的係數

14-5 二項式的通式

14-6 二項式到多項式

14-7 二項分佈實驗

14-8 將二項式觀念應用在業務數據分析

14-9 二項式機率分佈Python 實作

14-10 Numpy 隨機數模組的binomial( ) 函數



第15 章 指數觀念與指數函數

15-1 認識指數函數

15-2 指數運算的規則

15-3 指數函數的圖形



第16 章 對數(logarithm)

16-1 認識對數函數

16-2 對數表的功能

16-3 對數運算可以解決指數運算的問題

16-4 認識對數的特性

16-5 對數的運算規則與驗證



第17 章 歐拉數與邏輯函數

17-1 歐拉數

17-2 邏輯函數

17-3 logit 函數

17-4 邏輯函數的應用



第18 章 三角函數

18-1 直角三角形的邊長與夾角

18-2 三角函數的定義

18-3 計算三角形的面積

18-4 角度與弧度

18-5 程式處理三角函數

18-6 從單位圓看三角函數



第19 章 基礎統計與大型運算子

19-1 母體與樣本

19-2 數據加總

19-3 數據分佈

19-4 數據中心指標

19-5 數據分散指標

19-6 符號運算規則與驗證

19-7 活用符號

19-8 迴歸分析

19-9 隨機函數的分佈



第20 章 機器學習的向量

20-1 向量的基礎觀念

20-2 向量加法的規則

20-3 向量的長度

20-4 向量方程式

20-5 向量內積

20-6 皮爾遜相關係數

20-7 向量外積



第21 章 機器學習的矩陣

21-1 矩陣的表達方式

21-2 矩陣相加與相減

21-3 矩陣乘以實數

21-4 矩陣乘法

21-5 方形矩陣

21-6 單位矩陣

21-7 反矩陣

21-8 用反矩陣解聯立方程式

21-9 張量(Tensor)

21-10 轉置矩陣



第22 章 向量、矩陣與多元線性回歸

22-1 向量應用在線性迴歸

22-2 向量應用在多元線性迴歸

22-3 矩陣應用在多元線性迴歸

22-4 將截距放入矩陣

22-5 簡單的線性迴歸



第23 章 三次函數迴歸曲線的程式實作

23-1 繪製數據的散點圖

23-2 三次函數的迴歸曲線模型

23-3 使用scikit-learn 模組計算決定係數
asnd

第1 章 資料視覺化
1-1 認識mapplotlib.pyplot 模組的主要函數
1-2 繪製簡單的折線圖plot( )
1-3 繪製散點圖scatter( )
1-4 Numpy 模組
1-5 圖表顯示中文
1-6 長條圖與直方圖
1-7 Numpy 的指數與對數函數

第2 章 數學模組Math 和Sympy
2-1 數學模組的變數
2-2 一般函數
2-3 log( ) 函數
2-4 三角函數
2-5 Sympy 模組

第3 章 機器學習基本觀念
3-1 人工智慧、機器學習、深度學習
3-2 認識機器學習
3-3 機器學習的種類
3-4 機器學習的應用範圍

第4 章 機器學習的基礎數學
4-1 用數字描繪事物
4-2 變數觀念
4-3 從變數到函數
4-4 等式運算的規則
4-5 代數運算的基本規則
4-6 用數學抽象化開餐廳的生存條件
4-7 基礎數學的結論

第5 章 認識方程式/ 函數/ 座標圖形
5-1 認識方程式
5-2 方程式文字描述方法
5-3 一元一次方程式
5-4 函數
5-5 座標圖形分析
5-6 將線性函數應用在機器學習

第6 章 從聯立方程式看機器學習的數學模型
6-1 數學觀念建立連接兩點的直線
6-2 機器學習使用聯立方程式推估數據
6-3 從2 條直線的交叉點推估科學數據
6-4 兩條直線垂直交叉

第7 章 從畢氏定理看機器學習
7-1 驗證畢氏定理
7-2 將畢氏定理應用在性向測試
7-3 將畢氏定理應用在三維空間
7-4 將畢氏定理應用在更高維的空間
7-5 電影分類

第8 章 聯立不等式與機器學習
8-1 聯立不等式的基本觀念
8-2 聯立不等式的線性規劃
8-3 Python 計算

第9 章 機器學習需要知道的二次函數
9-1 二次函數的基礎數學
9-2 從一次到二次函數的實務
9-3 認識二次函數的係數
9-4 使用3 個點求解二次函數
9-5 二次函數的配方法
9-6 二次函數與解答區間

第10 章 機器學習的最小平方法
10-1 最小平方法基本觀念
10-2 簡單的企業實例
10-3 機器學習建立含誤差值的線性方程式
10-4 Numpy 實作最小平方法
10-5 線性迴歸
10-6 實務應用

第11 章 機器學習必須懂的集合
11-1 使用Python 建立集合
11-2 集合的操作
11-3 子集、宇集與補集
11-4 加入與刪除集合元素
11-5 冪集與Sympy 模組
11-6 笛卡兒積

第12 章 機器學習必須懂的排列與組合
12-1 排列基本觀念
12-2 有多少條回家路
12-3 排列組合
12-4 階乘的觀念
12-5 重複排列
12-6 組合

第13 章 機器學習需要認識的機率
13-1 機率基本觀念
13-2 數學機率與統計機率
13-3 事件機率名稱
13-4 事件機率規則
13-5 抽獎的機率 – 加法與乘法綜合應用
13-6 餘事件與乘法的綜合應用
13-7 條件機率
13-8 貝氏定理
13-9 蒙地卡羅模擬
13-10 Numpy 的隨機模組random

第14 章 二項式定理
14-1 二項式的定義
14-2 二項式的幾何意義
14-3 二項式展開與規律性分析
14-4 找出xn-kyk 項的係數
14-5 二項式的通式
14-6 二項式到多項式
14-7 二項分佈實驗
14-8 將二項式觀念應用在業務數據分析
14-9 二項式機率分佈Python 實作
14-10 Numpy 隨機數模組的binomial( ) 函數

第15 章 指數觀念與指數函數
15-1 認識指數函數
15-2 指數運算的規則
15-3 指數函數的圖形

第16 章 對數(logarithm)
16-1 認識對數函數
16-2 對數表的功能
16-3 對數運算可以解決指數運算的問題
16-4 認識對數的特性
16-5 對數的運算規則與驗證

第17 章 歐拉數與邏輯函數
17-1 歐拉數
17-2 邏輯函數
17-3 logit 函數
17-4 邏輯函數的應用

第18 章 三角函數
18-1 直角三角形的邊長與夾角
18-2 三角函數的定義
18-3 計算三角形的面積
18-4 角度與弧度
18-5 程式處理三角函數
18-6 從單位圓看三角函數

第19 章 基礎統計與大型運算子
19-1 母體與樣本
19-2 數據加總
19-3 數據分佈
19-4 數據中心指標
19-5 數據分散指標
19-6 符號運算規則與驗證
19-7 活用符號
19-8 迴歸分析
19-9 隨機函數的分佈

第20 章 機器學習的向量
20-1 向量的基礎觀念
20-2 向量加法的規則
20-3 向量的長度
20-4 向量方程式
20-5 向量內積
20-6 皮爾遜相關係數
20-7 向量外積

第21 章 機器學習的矩陣
21-1 矩陣的表達方式
21-2 矩陣相加與相減
21-3 矩陣乘以實數
21-4 矩陣乘法
21-5 方形矩陣
21-6 單位矩陣
21-7 反矩陣
21-8 用反矩陣解聯立方程式
21-9 張量(Tensor)
21-10 轉置矩陣

第22 章 向量、矩陣與多元線性回歸
22-1 向量應用在線性迴歸
22-2 向量應用在多元線性迴歸
22-3 矩陣應用在多元線性迴歸
22-4 將截距放入矩陣
22-5 簡單的線性迴歸

第23 章 三次函數迴歸曲線的程式實作
23-1 繪製數據的散點圖
23-2 三次函數的迴歸曲線模型
23-3 使用scikit-learn 模組計算決定係數
askw

第1 章 資料視覺化

1-1 認識mapplotlib.pyplot 模組的主要函數

1-2 繪製簡單的折線圖plot( )

1-3 繪製散點圖scatter( )

1-4 Numpy 模組

1-5 圖表顯示中文

1-6 長條圖與直方圖

1-7 Numpy 的指數與對數函數



第2 章 數學模組Math 和Sympy

2-1 數學模組的變數

2-2 一般函數

2-3 log( ) 函數

2-4 三角函數

2-5 Sympy 模組



第3 章 機器學習基本觀念

3-1 人工智慧、機器學習、深度學習

3-2 認識機器學習

3-3 機器學習的種類

3-4 機器學習的應用範圍



第4 章 機器學習的基礎數學

4-1 用數字描繪事物

4-2 變數觀念

4-3 從變數到函數

4-4 等式運算的規則

4-5 代數運算的基本規則

4-6 用數學抽象化開餐廳的生存條件

4-7 基礎數學的結論



第5 章 認識方程式/ 函數/ 座標圖形

5-1 認識方程式

5-2 方程式文字描述方法

5-3 一元一次方程式

5-4 函數

5-5 座標圖形分析

5-6 將線性函數應用在機器學習



第6 章 從聯立方程式看機器學習的數學模型

6-1 數學觀念建立連接兩點的直線

6-2 機器學習使用聯立方程式推估數據

6-3 從2 條直線的交叉點推估科學數據

6-4 兩條直線垂直交叉



第7 章 從畢氏定理看機器學習

7-1 驗證畢氏定理

7-2 將畢氏定理應用在性向測試

7-3 將畢氏定理應用在三維空間

7-4 將畢氏定理應用在更高維的空間

7-5 電影分類



第8 章 聯立不等式與機器學習

8-1 聯立不等式的基本觀念

8-2 聯立不等式的線性規劃

8-3 Python 計算



第9 章 機器學習需要知道的二次函數

9-1 二次函數的基礎數學

9-2 從一次到二次函數的實務

9-3 認識二次函數的係數

9-4 使用3 個點求解二次函數

9-5 二次函數的配方法

9-6 二次函數與解答區間



第10 章 機器學習的最小平方法

10-1 最小平方法基本觀念

10-2 簡單的企業實例

10-3 機器學習建立含誤差值的線性方程式

10-4 Numpy 實作最小平方法

10-5 線性迴歸

10-6 實務應用



第11 章 機器學習必須懂的集合

11-1 使用Python 建立集合

11-2 集合的操作

11-3 子集、宇集與補集

11-4 加入與刪除集合元素

11-5 冪集與Sympy 模組

11-6 笛卡兒積



第12 章 機器學習必須懂的排列與組合

12-1 排列基本觀念

12-2 有多少條回家路

12-3 排列組合

12-4 階乘的觀念

12-5 重複排列

12-6 組合



第13 章 機器學習需要認識的機率

13-1 機率基本觀念

13-2 數學機率與統計機率

13-3 事件機率名稱

13-4 事件機率規則

13-5 抽獎的機率 – 加法與乘法綜合應用

13-6 餘事件與乘法的綜合應用

13-7 條件機率

13-8 貝氏定理

13-9 蒙地卡羅模擬

13-10 Numpy 的隨機模組random



第14 章 二項式定理

14-1 二項式的定義

14-2 二項式的幾何意義

14-3 二項式展開與規律性分析

14-4 找出xn-kyk 項的係數

14-5 二項式的通式

14-6 二項式到多項式

14-7 二項分佈實驗

14-8 將二項式觀念應用在業務數據分析

14-9 二項式機率分佈Python 實作

14-10 Numpy 隨機數模組的binomial( ) 函數



第15 章 指數觀念與指數函數

15-1 認識指數函數

15-2 指數運算的規則

15-3 指數函數的圖形



第16 章 對數(logarithm)

16-1 認識對數函數

16-2 對數表的功能

16-3 對數運算可以解決指數運算的問題

16-4 認識對數的特性

16-5 對數的運算規則與驗證



第17 章 歐拉數與邏輯函數

17-1 歐拉數

17-2 邏輯函數

17-3 logit 函數

17-4 邏輯函數的應用



第18 章 三角函數

18-1 直角三角形的邊長與夾角

18-2 三角函數的定義

18-3 計算三角形的面積

18-4 角度與弧度

18-5 程式處理三角函數

18-6 從單位圓看三角函數



第19 章 基礎統計與大型運算子

19-1 母體與樣本

19-2 數據加總

19-3 數據分佈

19-4 數據中心指標

19-5 數據分散指標

19-6 符號運算規則與驗證

19-7 活用符號

19-8 迴歸分析

19-9 隨機函數的分佈



第20 章 機器學習的向量

20-1 向量的基礎觀念

20-2 向量加法的規則

20-3 向量的長度

20-4 向量方程式

20-5 向量內積

20-6 皮爾遜相關係數

20-7 向量外積



第21 章 機器學習的矩陣

21-1 矩陣的表達方式

21-2 矩陣相加與相減

21-3 矩陣乘以實數

21-4 矩陣乘法

21-5 方形矩陣

21-6 單位矩陣

21-7 反矩陣

21-8 用反矩陣解聯立方程式

21-9 張量(Tensor)

21-10 轉置矩陣



第22 章 向量、矩陣與多元線性回歸

22-1 向量應用在線性迴歸

22-2 向量應用在多元線性迴歸

22-3 矩陣應用在多元線性迴歸

22-4 將截距放入矩陣

22-5 簡單的線性迴歸



第23 章 三次函數迴歸曲線的程式實作

23-1 繪製數據的散點圖

23-2 三次函數的迴歸曲線模型

23-3 使用scikit-learn 模組計算決定係數