第1 章 機器學習基本觀念
1-1 人工智慧、機器學習、深度學習
1-2 認識機器學習
1-3 機器學習的種類
1-4 機器學習的應用範圍
1-5 深度學習

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

第3 章 認識方程式/函數/座標圖形
3-1 認識方程式
3-2 方程式文字描述方法
3-3 一元一次方程式
3-4 函數
3-5 座標圖形分析
3-6 將線性函數應用在機器學習
3-7 二元函數到多元函數
3-8 Sympy 模組

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

第5章 從畢氏定理看機器學習
5-1 驗證畢氏定理
5-2 將畢氏定理應用在性向測試
5-3 將畢氏定理應用在三維空間
5-4 將畢氏定理應用在更高維的空間
5-5 電影分類
5-6 計算兩個向量的歐幾里德距離

第6章 聯立不等式與機器學習
6-1 聯立不等式與機器學習
6-2 再看聯立不等式的基本觀念
6-3 聯立不等式的線性規劃
6-4 Python 計算

第7 章 機器學習需要知道的二次函數
7-1 二次函數的基礎數學
7-2 從一次到二次函數的實務
7-3 認識二次函數的係數
7-4 使用3 個點求解一元二次函數
7-5 二次函數的配方法
7-6 二次函數與解答區間

第8 章 機器學習的最小平方法
8-1 最小平方法基本觀念
8-2 簡單的企業實例
8-3 機器學習建立含誤差值的線性方程式
8-4 Numpy 實作最小平方法
8-5 線性迴歸
8-6 實務應用

第9 章 機器學習必須懂的集合
9-1 使用Python 建立集合
9-2 集合的操作
9-3 子集、宇集與補集
9-4 加入與刪除集合元素
9-5 冪集與Sympy 模組
9-6 笛卡兒積

第10 章 機器學習必須懂的排列與組合
10-1 排列基本觀念
10-2 有多少條回家路
10-3 排列組合
10-4 階乘的觀念
10-5 重複排列
10-6 組合

第11 章 機器學習需要認識的機率
11-1 機率基本觀念
11-2 數學機率與統計機率
11-3 事件機率名稱
11-4 事件機率規則
11-5 抽獎的機率 – 加法與乘法綜合應用
11-6 餘事件與乘法的綜合應用
11-7 條件機率
11-8 貝氏定理
11-9 蒙地卡羅模擬
11-10 Numpy 的隨機模組random

第12 章 二項式定理
12-1 二項式的定義
12-2 二項式的幾何意義
12-3 二項式展開與規律性分析
12-4 找出xn-kyk 項的係數
12-5 二項式的通式
12-6 二項式到多項式
12-7 二項分佈實驗
12-8 將二項式觀念應用在業務數據分析
12-9 二項式機率分佈Python 實作
12-10 Numpy 隨機數模組的binomial( ) 函數

第13 章 指數觀念與指數函數
13-1 認識指數函數
13-2 指數運算的規則
13-3 指數函數的圖形

第14 章 對數(logarithm)
14-1 認識對數函數
14-2 對數表的功能
14-3 對數運算可以解決指數運算的問題
14-4 認識對數的特性
14-5 對數的運算規則與驗證

第15 章 歐拉數與邏輯函數
15-1 歐拉數
15-2 邏輯函數
15-3 logit 函數
15-4 邏輯函數的應用

第16 章 三角函數
16-1 直角三角形的邊長與夾角
16-2 三角函數的定義
16-3 計算三角形的面積
16-4 角度與弧度
16-5 程式處理三角函數
16-6 從單位圓看三角函數
16-7 三角函數與機器學習的關係

第17 章 基礎統計與大型運算子
17-1 母體與樣本
17-2 數據加總
17-3 數據分佈
17-4 數據中心指標
17-5 數據分散指標
17-6 符號運算規則與驗證
17-7 活用符號
17-8 迴歸分析
17-9 隨機函數的分佈

第18 章 機器學習的向量
18-1 向量的基礎觀念
18-2 向量加法的規則
18-3 向量的長度
18-4 向量方程式
18-5 向量內積
18-6 皮爾遜相關係數
18-7 向量外積

第19 章 機器學習的矩陣
19-1 矩陣的表達方式
19-2 矩陣相加與相減
19-3 矩陣乘以實數
19-4 矩陣乘法
19-5 方形矩陣
19-6 單位矩陣
19-7 反矩陣
19-8 用反矩陣解聯立方程式
19-9 張量(Tensor)
19-10 轉置矩陣

第20 章 向量、矩陣與多元線性回歸
20-1 向量應用在線性迴歸
20-2 向量應用在多元線性迴歸
20-3 矩陣應用在多元線性迴歸
20-4 將截距放入矩陣
20-5 簡單的線性迴歸

第21 章 三次函數迴歸曲線的程式實作
21-1 繪製數據的散點圖
21-2 三次函數的迴歸曲線模型
21-3 使用scikit-learn 模組評估迴歸模型
21-4 預測未來值
21-5 不適合的三次函數迴歸數據

第22 章 機器學習使用scikit-learn 入門
22-1 scikit-learn 的歷史
22-2 機器學習的數據集
22-3 scikit-learn 生成數據實作
22-4 scikit-learn 數據預處理
22-5 機器學習scikit-learn 入門
22-6 分類演算法 - 機器學習模型的性能評估
22-7 機器學習必需會的非數值資料轉換
22-8 機器學習演算法
22-9 使用隨機數據學習線性迴歸

第23 章 線性迴歸 - 波士頓房價
23-1 從線性迴歸到多元線性迴歸
23-2 簡單資料測試
23-3 波士頓房價數據集
23-4 用Pandas 顯示與預處理數據
23-5 特徵選擇
23-6 使用最相關的特徵做房價預估
23-7 多項式迴歸
23-8 用所有特徵執行波士頓房價預估
23-9 殘差圖(Residual plot)
23-10 梯度下降迴歸SGDRegressor( )

第24 章 邏輯迴歸 - 信用卡/葡萄酒/糖尿病
24-1 淺談線性迴歸的問題
24-2 邏輯迴歸觀念回顧
24-3 邏輯迴歸模型基礎應用
24-4 台灣信用卡持卡人數據集
24-5 葡萄酒數據
24-6 糖尿病數據

第25 章 決策樹 – 葡萄酒/鐵達尼號/Telco/Retail
25-1 決策樹基本觀念
25-2 從天氣數據認識決策樹設計流程 - 分類應用
25-3 葡萄酒數據 - 分類應用
25-4 鐵達尼號- 分類應用
25-5 Telco 電信公司- 分類應用
25-6 Retail Data Analytics - 迴歸應用

第26 章 隨機森林樹 – 波士頓房價/鐵達尼號/Telco/收入分析
26-1 隨機森林樹基本觀念
26-2 波士頓房價 - 迴歸應用
26-3 鐵達尼號 – 分類應用
26-4 Telco 客戶流失 – 分類應用
26-5 美國成年人收入分析 – 分類應用

第27 章 KNN 演算法 – 鳶尾花/小行星撞地球
27-1 KNN 演算法基礎觀念
27-2 電影推薦/ 足球射門 - 分類應用
27-3 房價計算/ 選舉準備香腸 – 迴歸應用
27-4 鳶尾花數據 - 分類應用
27-5 小行星撞地球 – 分類應用

第28 章 支援向量機 – 鳶尾花/乳癌/汽車燃料
28-1 支援向量機的基礎觀念
28-2 支援向量機 - 分類應用的基礎實例
28-3 從2 維到3 維的超平面
28-4 認識核函數
28-5 鳶尾花數據 - 分類應用
28-6 乳癌數據 - 分類應用
28-7 支援向量機 – 迴歸應用的基礎實例
28-8 汽車燃耗效率數據集 - 迴歸分析

第29 章 單純貝式分類 – 垃圾郵件/新聞分類/電影評論
29-1 單純貝式分類原理
29-2 詞頻向量模組CountVerctorizer
29-3 多項式單純貝式模組 - MultinomialNB
29-4 垃圾郵件分類 – Spambase 數據集
29-5 新聞郵件分類 – 新聞數據集20newsgroups
29-6 情感分析 – 電影評論IMDB Dataset 分析
29-7 單純貝式分類於中文的應用
29-8 今日頭條數據集

第30 章 集成機器學習 – 蘑菇/ 醫療保險/玻璃/加州房價
30-1 集成學習的基本觀念
30-2 集成學習 - 投票法Voting (鳶尾花/波士頓房價)
30-3 集成學習 - 裝袋法Bagging (蘑菇/醫療保險)
30-4 集成學習 - 提升法AdaBoost(糖尿病/波士頓房價)
30-5 集成學習 - 提升法Gradient Boosting(玻璃/加州房價)
30-6 集成學習 – 堆疊法Stacking(信用卡違約/房價預估)

第31 章 K-means 分群 – 購物中心消費/葡萄酒評價
31-1 認識無監督學習
31-2 K-means 演算法
31-3 scikit-learn 的KMeans 模組
31-4 評估分群的效能
31-5 最佳群集數量
31-6 消費分析 - 購物中心客戶消費數據
31-7 價格 vs 評價 - 葡萄酒Wine Reviews

第32 章 PCA 主成份分析 – 手寫數字/人臉數據
32-1 PCA 基本觀念
32-2 鳶尾花數據的PCA 應用
32-3 數字辨識 - 手寫數字digits dataset
32-4 人臉辨識 – 人臉數據Labeled Faces in the Wild

第33 章 階層式分層 – 小麥數據/老實泉
33-1 認識階層式分群
33-2 凝聚型(Agglomerative) 分群
33-3 小麥數據集Seeds dataset
33-4 老實泉數據Old Faithful Geyser Data

第34 章 DBSCAN 演算法 – 購物中心客戶分析
34-1 DBSCAN 演算法
34-2 scikit-learn 的DBSCAN 模組
34-3 消費分析 - 購物中心客戶消費數據

第35 章 語音辨識
35-1 語音轉文字
35-2 文字轉語音

附錄A 函數與方法索引表
附錄B 電子書 - 本書程式實例彩色執行結果圖表

第1 章 機器學習基本觀念
1-1 人工智慧、機器學習、深度學習
1-2 認識機器學習
1-3 機器學習的種類
1-4 機器學習的應用範圍
1-5 深度學習

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

第3 章 認識方程式/函數/座標圖形
3-1 認識方程式
3-2 方程式文字描述方法
3-3 一元一次方程式
3-4 函數
3-5 座標圖形分析
3-6 將線性函數應用在機器學習
3-7 二元函數到多元函數
3-8 Sympy 模組

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

第5章 從畢氏定理看機器學習
5-1 驗證畢氏定理
5-2 將畢氏定理應用在性向測試
5-3 將畢氏定理應用在三維空間
5-4 將畢氏定理應用在更高維的空間
5-5 電影分類
5-6 計算兩個向量的歐幾里德距離

第6章 聯立不等式與機器學習
6-1 聯立不等式與機器學習
6-2 再看聯立不等式的基本觀念
6-3 聯立不等式的線性規劃
6-4 Python 計算

第7 章 機器學習需要知道的二次函數
7-1 二次函數的基礎數學
7-2 從一次到二次函數的實務
7-3 認識二次函數的係數
7-4 使用3 個點求解一元二次函數
7-5 二次函數的配方法
7-6 二次函數與解答區間

第8 章 機器學習的最小平方法
8-1 最小平方法基本觀念
8-2 簡單的企業實例
8-3 機器學習建立含誤差值的線性方程式
8-4 Numpy 實作最小平方法
8-5 線性迴歸
8-6 實務應用

第9 章 機器學習必須懂的集合
9-1 使用Python 建立集合
9-2 集合的操作
9-3 子集、宇集與補集
9-4 加入與刪除集合元素
9-5 冪集與Sympy 模組
9-6 笛卡兒積

第10 章 機器學習必須懂的排列與組合
10-1 排列基本觀念
10-2 有多少條回家路
10-3 排列組合
10-4 階乘的觀念
10-5 重複排列
10-6 組合

第11 章 機器學習需要認識的機率
11-1 機率基本觀念
11-2 數學機率與統計機率
11-3 事件機率名稱
11-4 事件機率規則
11-5 抽獎的機率 – 加法與乘法綜合應用
11-6 餘事件與乘法的綜合應用
11-7 條件機率
11-8 貝氏定理
11-9 蒙地卡羅模擬
11-10 Numpy 的隨機模組random

第12 章 二項式定理
12-1 二項式的定義
12-2 二項式的幾何意義
12-3 二項式展開與規律性分析
12-4 找出xn-kyk 項的係數
12-5 二項式的通式
12-6 二項式到多項式
12-7 二項分佈實驗
12-8 將二項式觀念應用在業務數據分析
12-9 二項式機率分佈Python 實作
12-10 Numpy 隨機數模組的binomial( ) 函數

第13 章 指數觀念與指數函數
13-1 認識指數函數
13-2 指數運算的規則
13-3 指數函數的圖形

第14 章 對數(logarithm)
14-1 認識對數函數
14-2 對數表的功能
14-3 對數運算可以解決指數運算的問題
14-4 認識對數的特性
14-5 對數的運算規則與驗證

第15 章 歐拉數與邏輯函數
15-1 歐拉數
15-2 邏輯函數
15-3 logit 函數
15-4 邏輯函數的應用

第16 章 三角函數
16-1 直角三角形的邊長與夾角
16-2 三角函數的定義
16-3 計算三角形的面積
16-4 角度與弧度
16-5 程式處理三角函數
16-6 從單位圓看三角函數
16-7 三角函數與機器學習的關係

第17 章 基礎統計與大型運算子
17-1 母體與樣本
17-2 數據加總
17-3 數據分佈
17-4 數據中心指標
17-5 數據分散指標
17-6 符號運算規則與驗證
17-7 活用符號
17-8 迴歸分析
17-9 隨機函數的分佈

第18 章 機器學習的向量
18-1 向量的基礎觀念
18-2 向量加法的規則
18-3 向量的長度
18-4 向量方程式
18-5 向量內積
18-6 皮爾遜相關係數
18-7 向量外積

第19 章 機器學習的矩陣
19-1 矩陣的表達方式
19-2 矩陣相加與相減
19-3 矩陣乘以實數
19-4 矩陣乘法
19-5 方形矩陣
19-6 單位矩陣
19-7 反矩陣
19-8 用反矩陣解聯立方程式
19-9 張量(Tensor)
19-10 轉置矩陣

第20 章 向量、矩陣與多元線性回歸
20-1 向量應用在線性迴歸
20-2 向量應用在多元線性迴歸
20-3 矩陣應用在多元線性迴歸
20-4 將截距放入矩陣
20-5 簡單的線性迴歸

第21 章 三次函數迴歸曲線的程式實作
21-1 繪製數據的散點圖
21-2 三次函數的迴歸曲線模型
21-3 使用scikit-learn 模組評估迴歸模型
21-4 預測未來值
21-5 不適合的三次函數迴歸數據

第22 章 機器學習使用scikit-learn 入門
22-1 scikit-learn 的歷史
22-2 機器學習的數據集
22-3 scikit-learn 生成數據實作
22-4 scikit-learn 數據預處理
22-5 機器學習scikit-learn 入門
22-6 分類演算法 - 機器學習模型的性能評估
22-7 機器學習必需會的非數值資料轉換
22-8 機器學習演算法
22-9 使用隨機數據學習線性迴歸

第23 章 線性迴歸 - 波士頓房價
23-1 從線性迴歸到多元線性迴歸
23-2 簡單資料測試
23-3 波士頓房價數據集
23-4 用Pandas 顯示與預處理數據
23-5 特徵選擇
23-6 使用最相關的特徵做房價預估
23-7 多項式迴歸
23-8 用所有特徵執行波士頓房價預估
23-9 殘差圖(Residual plot)
23-10 梯度下降迴歸SGDRegressor( )

第24 章 邏輯迴歸 - 信用卡/葡萄酒/糖尿病
24-1 淺談線性迴歸的問題
24-2 邏輯迴歸觀念回顧
24-3 邏輯迴歸模型基礎應用
24-4 台灣信用卡持卡人數據集
24-5 葡萄酒數據
24-6 糖尿病數據

第25 章 決策樹 – 葡萄酒/鐵達尼號/Telco/Retail
25-1 決策樹基本觀念
25-2 從天氣數據認識決策樹設計流程 - 分類應用
25-3 葡萄酒數據 - 分類應用
25-4 鐵達尼號- 分類應用
25-5 Telco 電信公司- 分類應用
25-6 Retail Data Analytics - 迴歸應用

第26 章 隨機森林樹 – 波士頓房價/鐵達尼號/Telco/收入分析
26-1 隨機森林樹基本觀念
26-2 波士頓房價 - 迴歸應用
26-3 鐵達尼號 – 分類應用
26-4 Telco 客戶流失 – 分類應用
26-5 美國成年人收入分析 – 分類應用

第27 章 KNN 演算法 – 鳶尾花/小行星撞地球
27-1 KNN 演算法基礎觀念
27-2 電影推薦/ 足球射門 - 分類應用
27-3 房價計算/ 選舉準備香腸 – 迴歸應用
27-4 鳶尾花數據 - 分類應用
27-5 小行星撞地球 – 分類應用

第28 章 支援向量機 – 鳶尾花/乳癌/汽車燃料
28-1 支援向量機的基礎觀念
28-2 支援向量機 - 分類應用的基礎實例
28-3 從2 維到3 維的超平面
28-4 認識核函數
28-5 鳶尾花數據 - 分類應用
28-6 乳癌數據 - 分類應用
28-7 支援向量機 – 迴歸應用的基礎實例
28-8 汽車燃耗效率數據集 - 迴歸分析

第29 章 單純貝式分類 – 垃圾郵件/新聞分類/電影評論
29-1 單純貝式分類原理
29-2 詞頻向量模組CountVerctorizer
29-3 多項式單純貝式模組 - MultinomialNB
29-4 垃圾郵件分類 – Spambase 數據集
29-5 新聞郵件分類 – 新聞數據集20newsgroups
29-6 情感分析 – 電影評論IMDB Dataset 分析
29-7 單純貝式分類於中文的應用
29-8 今日頭條數據集

第30 章 集成機器學習 – 蘑菇/ 醫療保險/玻璃/加州房價
30-1 集成學習的基本觀念
30-2 集成學習 - 投票法Voting (鳶尾花/波士頓房價)
30-3 集成學習 - 裝袋法Bagging (蘑菇/醫療保險)
30-4 集成學習 - 提升法AdaBoost(糖尿病/波士頓房價)
30-5 集成學習 - 提升法Gradient Boosting(玻璃/加州房價)
30-6 集成學習 – 堆疊法Stacking(信用卡違約/房價預估)

第31 章 K-means 分群 – 購物中心消費/葡萄酒評價
31-1 認識無監督學習
31-2 K-means 演算法
31-3 scikit-learn 的KMeans 模組
31-4 評估分群的效能
31-5 最佳群集數量
31-6 消費分析 - 購物中心客戶消費數據
31-7 價格 vs 評價 - 葡萄酒Wine Reviews

第32 章 PCA 主成份分析 – 手寫數字/人臉數據
32-1 PCA 基本觀念
32-2 鳶尾花數據的PCA 應用
32-3 數字辨識 - 手寫數字digits dataset
32-4 人臉辨識 – 人臉數據Labeled Faces in the Wild

第33 章 階層式分層 – 小麥數據/老實泉
33-1 認識階層式分群
33-2 凝聚型(Agglomerative) 分群
33-3 小麥數據集Seeds dataset
33-4 老實泉數據Old Faithful Geyser Data

第34 章 DBSCAN 演算法 – 購物中心客戶分析
34-1 DBSCAN 演算法
34-2 scikit-learn 的DBSCAN 模組
34-3 消費分析 - 購物中心客戶消費數據

第35 章 語音辨識
35-1 語音轉文字
35-2 文字轉語音

附錄A 函數與方法索引表
附錄B 電子書 - 本書程式實例彩色執行結果圖表

第1 章 機器學習基本觀念
1-1 人工智慧、機器學習、深度學習
1-2 認識機器學習
1-3 機器學習的種類
1-4 機器學習的應用範圍
1-5 深度學習

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

第3 章 認識方程式/函數/座標圖形
3-1 認識方程式
3-2 方程式文字描述方法
3-3 一元一次方程式
3-4 函數
3-5 座標圖形分析
3-6 將線性函數應用在機器學習
3-7 二元函數到多元函數
3-8 Sympy 模組

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

第5章 從畢氏定理看機器學習
5-1 驗證畢氏定理
5-2 將畢氏定理應用在性向測試
5-3 將畢氏定理應用在三維空間
5-4 將畢氏定理應用在更高維的空間
5-5 電影分類
5-6 計算兩個向量的歐幾里德距離

第6章 聯立不等式與機器學習
6-1 聯立不等式與機器學習
6-2 再看聯立不等式的基本觀念
6-3 聯立不等式的線性規劃
6-4 Python 計算

第7 章 機器學習需要知道的二次函數
7-1 二次函數的基礎數學
7-2 從一次到二次函數的實務
7-3 認識二次函數的係數
7-4 使用3 個點求解一元二次函數
7-5 二次函數的配方法
7-6 二次函數與解答區間

第8 章 機器學習的最小平方法
8-1 最小平方法基本觀念
8-2 簡單的企業實例
8-3 機器學習建立含誤差值的線性方程式
8-4 Numpy 實作最小平方法
8-5 線性迴歸
8-6 實務應用

第9 章 機器學習必須懂的集合
9-1 使用Python 建立集合
9-2 集合的操作
9-3 子集、宇集與補集
9-4 加入與刪除集合元素
9-5 冪集與Sympy 模組
9-6 笛卡兒積

第10 章 機器學習必須懂的排列與組合
10-1 排列基本觀念
10-2 有多少條回家路
10-3 排列組合
10-4 階乘的觀念
10-5 重複排列
10-6 組合

第11 章 機器學習需要認識的機率
11-1 機率基本觀念
11-2 數學機率與統計機率
11-3 事件機率名稱
11-4 事件機率規則
11-5 抽獎的機率 – 加法與乘法綜合應用
11-6 餘事件與乘法的綜合應用
11-7 條件機率
11-8 貝氏定理
11-9 蒙地卡羅模擬
11-10 Numpy 的隨機模組random

第12 章 二項式定理
12-1 二項式的定義
12-2 二項式的幾何意義
12-3 二項式展開與規律性分析
12-4 找出xn-kyk 項的係數
12-5 二項式的通式
12-6 二項式到多項式
12-7 二項分佈實驗
12-8 將二項式觀念應用在業務數據分析
12-9 二項式機率分佈Python 實作
12-10 Numpy 隨機數模組的binomial( ) 函數

第13 章 指數觀念與指數函數
13-1 認識指數函數
13-2 指數運算的規則
13-3 指數函數的圖形

第14 章 對數(logarithm)
14-1 認識對數函數
14-2 對數表的功能
14-3 對數運算可以解決指數運算的問題
14-4 認識對數的特性
14-5 對數的運算規則與驗證

第15 章 歐拉數與邏輯函數
15-1 歐拉數
15-2 邏輯函數
15-3 logit 函數
15-4 邏輯函數的應用

第16 章 三角函數
16-1 直角三角形的邊長與夾角
16-2 三角函數的定義
16-3 計算三角形的面積
16-4 角度與弧度
16-5 程式處理三角函數
16-6 從單位圓看三角函數
16-7 三角函數與機器學習的關係

第17 章 基礎統計與大型運算子
17-1 母體與樣本
17-2 數據加總
17-3 數據分佈
17-4 數據中心指標
17-5 數據分散指標
17-6 符號運算規則與驗證
17-7 活用符號
17-8 迴歸分析
17-9 隨機函數的分佈

第18 章 機器學習的向量
18-1 向量的基礎觀念
18-2 向量加法的規則
18-3 向量的長度
18-4 向量方程式
18-5 向量內積
18-6 皮爾遜相關係數
18-7 向量外積

第19 章 機器學習的矩陣
19-1 矩陣的表達方式
19-2 矩陣相加與相減
19-3 矩陣乘以實數
19-4 矩陣乘法
19-5 方形矩陣
19-6 單位矩陣
19-7 反矩陣
19-8 用反矩陣解聯立方程式
19-9 張量(Tensor)
19-10 轉置矩陣

第20 章 向量、矩陣與多元線性回歸
20-1 向量應用在線性迴歸
20-2 向量應用在多元線性迴歸
20-3 矩陣應用在多元線性迴歸
20-4 將截距放入矩陣
20-5 簡單的線性迴歸

第21 章 三次函數迴歸曲線的程式實作
21-1 繪製數據的散點圖
21-2 三次函數的迴歸曲線模型
21-3 使用scikit-learn 模組評估迴歸模型
21-4 預測未來值
21-5 不適合的三次函數迴歸數據

第22 章 機器學習使用scikit-learn 入門
22-1 scikit-learn 的歷史
22-2 機器學習的數據集
22-3 scikit-learn 生成數據實作
22-4 scikit-learn 數據預處理
22-5 機器學習scikit-learn 入門
22-6 分類演算法 - 機器學習模型的性能評估
22-7 機器學習必需會的非數值資料轉換
22-8 機器學習演算法
22-9 使用隨機數據學習線性迴歸

第23 章 線性迴歸 - 波士頓房價
23-1 從線性迴歸到多元線性迴歸
23-2 簡單資料測試
23-3 波士頓房價數據集
23-4 用Pandas 顯示與預處理數據
23-5 特徵選擇
23-6 使用最相關的特徵做房價預估
23-7 多項式迴歸
23-8 用所有特徵執行波士頓房價預估
23-9 殘差圖(Residual plot)
23-10 梯度下降迴歸SGDRegressor( )

第24 章 邏輯迴歸 - 信用卡/葡萄酒/糖尿病
24-1 淺談線性迴歸的問題
24-2 邏輯迴歸觀念回顧
24-3 邏輯迴歸模型基礎應用
24-4 台灣信用卡持卡人數據集
24-5 葡萄酒數據
24-6 糖尿病數據

第25 章 決策樹 – 葡萄酒/鐵達尼號/Telco/Retail
25-1 決策樹基本觀念
25-2 從天氣數據認識決策樹設計流程 - 分類應用
25-3 葡萄酒數據 - 分類應用
25-4 鐵達尼號- 分類應用
25-5 Telco 電信公司- 分類應用
25-6 Retail Data Analytics - 迴歸應用

第26 章 隨機森林樹 – 波士頓房價/鐵達尼號/Telco/收入分析
26-1 隨機森林樹基本觀念
26-2 波士頓房價 - 迴歸應用
26-3 鐵達尼號 – 分類應用
26-4 Telco 客戶流失 – 分類應用
26-5 美國成年人收入分析 – 分類應用

第27 章 KNN 演算法 – 鳶尾花/小行星撞地球
27-1 KNN 演算法基礎觀念
27-2 電影推薦/ 足球射門 - 分類應用
27-3 房價計算/ 選舉準備香腸 – 迴歸應用
27-4 鳶尾花數據 - 分類應用
27-5 小行星撞地球 – 分類應用

第28 章 支援向量機 – 鳶尾花/乳癌/汽車燃料
28-1 支援向量機的基礎觀念
28-2 支援向量機 - 分類應用的基礎實例
28-3 從2 維到3 維的超平面
28-4 認識核函數
28-5 鳶尾花數據 - 分類應用
28-6 乳癌數據 - 分類應用
28-7 支援向量機 – 迴歸應用的基礎實例
28-8 汽車燃耗效率數據集 - 迴歸分析

第29 章 單純貝式分類 – 垃圾郵件/新聞分類/電影評論
29-1 單純貝式分類原理
29-2 詞頻向量模組CountVerctorizer
29-3 多項式單純貝式模組 - MultinomialNB
29-4 垃圾郵件分類 – Spambase 數據集
29-5 新聞郵件分類 – 新聞數據集20newsgroups
29-6 情感分析 – 電影評論IMDB Dataset 分析
29-7 單純貝式分類於中文的應用
29-8 今日頭條數據集

第30 章 集成機器學習 – 蘑菇/ 醫療保險/玻璃/加州房價
30-1 集成學習的基本觀念
30-2 集成學習 - 投票法Voting (鳶尾花/波士頓房價)
30-3 集成學習 - 裝袋法Bagging (蘑菇/醫療保險)
30-4 集成學習 - 提升法AdaBoost(糖尿病/波士頓房價)
30-5 集成學習 - 提升法Gradient Boosting(玻璃/加州房價)
30-6 集成學習 – 堆疊法Stacking(信用卡違約/房價預估)

第31 章 K-means 分群 – 購物中心消費/葡萄酒評價
31-1 認識無監督學習
31-2 K-means 演算法
31-3 scikit-learn 的KMeans 模組
31-4 評估分群的效能
31-5 最佳群集數量
31-6 消費分析 - 購物中心客戶消費數據
31-7 價格 vs 評價 - 葡萄酒Wine Reviews

第32 章 PCA 主成份分析 – 手寫數字/人臉數據
32-1 PCA 基本觀念
32-2 鳶尾花數據的PCA 應用
32-3 數字辨識 - 手寫數字digits dataset
32-4 人臉辨識 – 人臉數據Labeled Faces in the Wild

第33 章 階層式分層 – 小麥數據/老實泉
33-1 認識階層式分群
33-2 凝聚型(Agglomerative) 分群
33-3 小麥數據集Seeds dataset
33-4 老實泉數據Old Faithful Geyser Data

第34 章 DBSCAN 演算法 – 購物中心客戶分析
34-1 DBSCAN 演算法
34-2 scikit-learn 的DBSCAN 模組
34-3 消費分析 - 購物中心客戶消費數據

第35 章 語音辨識
35-1 語音轉文字
35-2 文字轉語音

附錄A 函數與方法索引表
附錄B 電子書 - 本書程式實例彩色執行結果圖表