⊙循序漸進紮實基礎：從核心概念出發，涵蓋監督式、非監督式與強化學習，並提供關鍵的數學推導（如梯度下降、線性代數），以建立深厚的機器學習底層邏輯。
⊙經典演算法至深度學習全解析：並重經典迴歸、決策樹與SVM，並深度拆解CNN、RNN、LSTM及當前主流的Transformer架構，接軌AI業界最熱門的技術核心。
⊙Python實作與全生命週期導引：搭配主流程式碼與Kaggle真實數據集，完整走過資料清洗、特徵工程到模型評估的專案流程，同時深入探討AI倫理與模型可解釋性。

本書兼具理論知識的傳授與實務應用能力的培養。
全書以核心概念紮實基礎，並輔以數學直覺和必要的推導（如梯度下降、機率論、線性代數）說明，內容涵蓋廣泛，從經典迴歸模型到現代深度學習的熱門應用——CNN、RNN及領先時代的Transformer架構，均有深入淺出的探討。
實務操作以Python程式碼應用為重點，搭配Scikit-learn、TensorFlow與PyTorch等函式庫，完整拆解從資料清洗、特徵工程到模型評估的「專案全生命週期」。透過Kaggle等真實數據集的實戰演練，讀者將可親手實作圖像分類與自然語言處理等案例。此外，本書更具備前瞻性的倫理視角，深入討論數據偏見與模型可解釋性，讓讀者對機器學習概念、方法與實踐能有全面的理解。

張紹勳
學歷：國立政治大學資訊管理博士
現職：國立彰化師範大學電機與機械科技學系專任教授
經歷：致理技術專任副教授
Email：chess1mail@gmail.com

張任坊
學歷：國立海洋大學商船系
現職：永樂福有限公司負責人

張博一
學歷：國立中央大學通訊工程所
現職：微星科技股份有限公司工程師

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