本書特色
1.從入門者的角度編寫，快速幫讀者複習Python語言後，再介紹機器學習概論及模型。
2.講述機器學習的各種實作項目，如資料分析、線性回歸模型及模型評估等，並提供範例程式給讀者練習。
3.最後一章簡單介紹其他AI相關主題，例如單純貝氏分類器、資料前處理、集成學習等。
內容簡介
機器學習是AI人工智慧的基礎，但機器學習本身是門較高深的課程，而本書為了讓讀者能夠快速理解，從入門者的角度做編寫。書中先講述AI及Python語言，複習Python基礎語法到進階語法，讓讀者先掌握Python語言，接著學習機器學習的各種實作項目，如資料分析、線性回歸模型及模型評估等，藉此對於機器學習有更進一步的認識。本書適用於大學、科大資工、電機、電子、電通系「機器學習」課程使用。

目錄
第一章　AI、AI技術與AI應用
1-1　人工智慧
1-2　AI技術
1-3　AI應用
1-4　AI與數學
1-5　AI與編程
1-6　何謂深度學習？

第二章　Python基礎編程語法
2-1　何謂變數？
2-2　編程的操作型定義～以變數為例
2-3　運算與資料
2-4　決策(if)語法
2-5　while 迴圈
2-6　for 迴圈
2-7　功能呼叫 (function call)
2-8　全域變數與區域變數
2-9　List 資料結構
2-10　物件的基本觀念
2-11　numpy模組的多維陣列

第三章　Python進階編程語法
3-1　向量運算模式與泛化函式
3-2　matplotlib繪圖模組的運用
3-3　檔案的輸入輸出
3-4　物件導向程式設計基本概念
3-5　其他

第四章　資料分析的基本觀念
4-1　隨機取樣
4-2　摘要統計(summary statistics)
4-3　共變異數與相關係數
4-4　資料分群演算法
4-5　Python的K-means 分群演算法的應用

第五章　線性迴歸模型
5-1　線性迴歸的數學原理
5-2　Python的線性迴歸模組
5-3　線性回歸模型的應用
5-4　羅吉斯迴歸　

第六章 線性分類器
6-1　線性迴歸分類器
6-2　支持向量機分類器
6-3　SVM原理推導
6-4　核函數
6-5　SVM的多元分類應用

第七章　非線性分類器
7-1　類神經網路分類器概論
7-2　類神經網路應用
7-3　Python的類神經網路機器學習模組
7-4　決策樹實務應用

第八章　模型評估
8-1　分類器效能指標
8-2　ROC 曲線
8-3　殘差分析

第九章 其他AI相關主題
9-1　k最近鄰分類演算法
9-2　單純貝氏分類器
9-3　主要成分分析
9-4　資料前處理
9-5　集成學習

附錄A Python安裝與使用