深智數位

AI時代Math元年 - 用Python全精通程式設計本書旨在幫助零基礎的讀者學習Python程式設計。涵蓋了Anaconda和JupyterLab的安裝與使用，並深入介紹Python的基本語法、資料型態、常見運算、控制結構、函式以及物件導向程式設計，讓讀者能夠掌握Python的核心概念。在資料視覺化方面，本書探討了二維和三維視覺化技術，並使用Seaborn進行資料視覺化，幫助讀者將資料轉化為可視化的圖形。此外，書中詳細介紹了NumPy的使用，包括索引和切片、常見運算、陣列規整、線性代數以及愛因斯坦求和約定，這些都是進行資料分析的重要工具。Pandas部分則著重於快速視覺化、索引和切片、時間序列資料的處理及資料規整，讓讀者能夠有效管理和分析資料。在進階視覺化和運算方面，本書介紹了Plotly的統計視覺化、SymPy的符號運算、SciPy的數學運算及Statsmodels的統計模型，這些工具能夠幫助讀者進行更複雜的資料分析。在機器學習的部分，書中探討了Scikit-Learn的應用，包括資料預處理、回歸、降維、分類和聚類等技術，讓讀者了解如何利用機器學習解決實際問題。最後，本書還介紹了如何使用Streamlit來架設應用程式，特別是機器學習相關的Apps。整體而言，本書以實作為主，搭配Jupyter Notebook，引導讀者在動手練習中學習Python程式設計、資料分析和機器學習的基礎知識，並以圖形和口語化的方式解釋背後的數學思想。

https://youtu.be/h8PjTbJ9TO4✦✧✦ 圖解思維 + 零基礎 ✦✧✦►►►打破數學間不同單元的壁壘，融會完整的知識體系！◄◄◄全書分為以下幾個部分：基礎：從加減乘除四則運算開始，並在第1和2章深入介紹向量和矩陣的基本運算，以及在不同章節穿插線性代數基礎知識。座標系：第5和6章介紹笛卡爾座標系，將幾何和代數相結合，強調代數式的視覺化和幾何體的參數化。解析幾何：第7、8、9章介紹解析幾何內容，重點在於距離度量和橢圓。強調使用等距線和其他視覺化工具，以及橢圓在多個領域的應用。函式：第10至14章圍繞函式展開。強調在學習函式時繪製函式線圖、使用視覺化工具觀察二元函式，以及不同函式的特性與應用。第14章解釋數列，強調累加、極限等是微積分的基礎。微積分：第15至19章介紹微積分和最佳化問題。導數、偏導數、微分和積分提供了研究函式性質的量化工具。強調使用幾何圖解理解這些概念，以及微積分在最佳化問題中的應用。機率統計：第20、21章為機率統計入門。強調代數部分與機率統計的關聯，介紹了二項樹和隨機過程，以及通過影像展示機率統計定義。線性代數：最後四章介紹線性代數。第22章視覺化向量和向量運算。第23、24、25章以「雞兔同籠三部曲」為核心，通過虛構故事展示了線性方程組、向量空間、投影、最小二乘線性回歸、馬可夫過程和特徵值分解等內容。【本書特點】✪ 將一生中從小學到研究所的數學總整理！✪ 機器學習基礎全部完整打好✪ 將數學視為思想、工具、語言、體系、基石、藝術的角度進行學習✪ 分為基礎、座標系、解析幾何、函式、微積分、機率統計、線性代數七大部分✪ 不再應付考試，重新愛上數學✪ 不再亂猜，寫機器學習程式碼時，每一行指令背後代表的數學基礎都清清楚楚✪ 學數學本身，也學數學歷史，介紹史上幾個最偉大的數學家※ 本書資源可至深智官網下載：deepwisdom.com.tw

【本書特色】☆★全彩印刷★☆★數學、藝術、說圖★版面配置、裝飾★色彩空間、顏色映射★二維散點圖、二維線圖、極座標繪圖、二維等高線★熱圖和其他、平面幾何圖形★三維散點圖、三維線圖、網格曲面、三維等高線★箭頭圖、立體幾何★數列、函式、二次型、隱函式★參數方程式、複數、距離★平面幾何變換、立體幾何變換、奇異值分解★瑞利商、心形線、★模式、隨機、Dirichlet分佈★貝茲曲線、繁花曲線、分形、網路圖【書籍內容】本書以數學與藝術的結合為主題，涵蓋多個視覺化技術和數學概念。首先，數學 + 藝術章節探討兩者如何在解構和重構世界中展現相似性。接著，說圖章節介紹視覺化的生命週期，從數據收集到最終呈現，並說明各種視覺化媒介的選擇。版面配置章節則幫助讀者理解如何有效地呈現數據，提升視覺化的吸引力。裝飾章節介紹常見的美化技術，強調程式設計和圖形創作的重要性。色彩空間章節講解如何在Matplotlib中定義顏色，並深入探討RGB色彩模型的應用。顏色映射章節則重點講解顏色映射的概念，將數值映射到不同顏色上。二維散點圖、二維線圖、極座標繪圖、二維等高線、熱圖和其他平面幾何圖形章節各具特色，展示不同類型的數據，強調數學在視覺化中的重要性。三維散點圖、三維線圖、網格曲面、三維等高線、箭頭圖及立體幾何章節介紹三維視覺化方案，讓讀者靈活運用不同維度的技術。代數部分涵蓋數列、函式、二次型、隱函式、參數方程式和複數，幾何部分探討距離、平面幾何變換、立體幾何變換、奇異值分解、瑞利商及心形線，強調代數與幾何的聯繫。最後，模式 + 隨機章節選取Dirichlet分佈、貝茲曲線、繁花曲線、分形及網路圖，展示模式與隨機之間的互動，拓展視覺化的應用範疇。整本書融合數學與藝術，提供讀者探索數學之美的機會。

☆★暢銷再上市★☆►有資料就有矩陣，有矩陣就有向量，有向量就有幾何，有幾何就有空間►從資料一路提升到張量的所有數學基礎►將數學視為思想、工具、語言、體系、基石、藝術的角度進行學習►分為向量、矩陣、向量空間、矩陣分解、微積分、空間幾何、資料►所有機器學習、深度學習最重要的基礎數學概念►不再亂猜，寫機器學習程式碼時，每行指令背後代表的數學基礎►學矩陣就是學AI，從此看到AI程式碼完全無負擔AI熱潮來臨，每個人都很怕直接被機器取代，不管文科理科背景的人，每個人都想搭上AI快車飛速到達未來。然而你的第一關就是數學。數學是宇宙的共同語言，也是人類意志極緻的展現。數學從數字開始進入高維之後，向量、矩陣、張量將整個人類文明帶入新的境界，也將我們的世界從點線面體推向無法視覺化的高維空間，而針對空間的運算，更是所有科學的重要基礎。空間幾何這門完全和生活知識抽離的學科，看似是和向量打交道而已，但卻是整個世界運行的基礎，近年AI興起，機器學習及深度學習成為熱門行業，當你想要學習TensorFlow時，面對的第一個觀念就是張量(Tensor)。這些名詞讓你感到陌生又不是完全不認識時，就是重拾矩陣的時候了。本書利用最小的成本，幫你把這個又陌生又熟悉的老朋友重新交往。作者從最簡單的加法開始說明，一直到機器學習中的梯度、偏導數、積分、矩陣、線性代數，從小學到研究所所學的數學，一一在適當的章節出現，當你讀到某個章節時，會發現「啊！原來如此，這就是奇異值分解在機器學習的原理啊！」，有一種豁然開朗的感覺，相信這種驚喜在全書中會不斷出現。ChatGPT出來之後，AI已經光速啟動，有志加入這個行業，也只能快速跟上，而這本書，正是你進入的最佳助手，與其繼續逃避直到被淘汰，不如就花一點時間，把這本本來就不難的書看完，補上你個人AI志業的最重要一塊拼圖。全書分為以下幾個部分：向量：從資料、矩陣、向量、幾何、空間開始談起，包括向量運算，範數等基本定理。接下來談到矩陣，把矩陣所有的性質(四則運算、表格、秩等)說明清楚，更有重要的內外積等。第三部分談的是向量，包括座標系、各種變換、維度、行列視，投影、正交、基等性質。第四部分談的是矩陣分解，實作了包括LU、Cholesky、QR，特徵/奇異值分解。第五部分就是談到空間的微積分，如多元函式、偏導、梯度、方向微分、泰勒展開等。也說明了拉格朗日乘子等。第六部分說明了空間幾何

從資料處理到圖論實踐─用Python及AI最強工具預測分析編寫特色‧數學 + 藝術——全圖解，極致視覺化，讓數學思想躍然紙上、生動有趣、一看就懂，同時提高大家的資料思維、幾何想像力、藝術感。‧零基礎——從零開始學習 Python 程式設計，從寫第一行程式到架設資料科學和機器學習應用，儘量將陡峭學習曲線拉平。‧知識網路——打破數學板塊之間的門檻，讓大家看到數學代數、幾何、線性代數、微積分、機率統計等板塊之間的聯繫，編織一張綿密的數學知識網路。‧動手——授人以魚不如授人以漁，和大家一起寫程式、創作數學動畫、互動 App。‧學習生態——構造自主探究式學習生態環境「紙質圖書 + 程式檔案 + 視覺化工具 + 思維導圖」，提供各種優質學習資源。‧理論 + 實踐——從加減乘除到機器學習，叢書內容安排由淺入深、螺旋上升，兼顧理論和實踐；在程式設計中學習數學，學習數學時解決實際問題。六大板塊資料處理、時間資料、圖論基礎、圖的分析、圖與矩陣、圖論實踐。這六大板塊都緊緊圍繞一個主題—資料！核心內容‧遺漏值視覺化與插補方法：提升金融與醫療資料的完整性與可用性 ‧離群值偵測與圖形分析技巧：應用直方圖與散布圖，提升資料的穩健性 ‧距離計算與相似度評估：聚類、分類與資料比對的核心運算 ‧從矩陣運算到特徵工程：建構資料分析的數學基礎與特徵空間 ‧時間序列資料建模與分解：提取趨勢與週期變化，進行銷售與市場預測 ‧高斯過程與回歸建模：以核函數掌握資料變化，實現時間與空間預測 ‧圖論與關聯性矩陣分析：掌握社群網路連接性與影響力的核心結構

全書分為以下幾個部分：統計學：機率、高斯、隨機、頻率派開始談起，包括統計描述、古典機率模型、離散隨機變數、離散分佈、連續隨機變數及連續分佈一直到高斯部分，包括了一元、二元、多元、條件高斯分佈，中間也提到最重要的斜方差矩陣。再來的部分說明了隨機，包括了隨機變數，蒙地卡羅、頻率派統計、機率密度。接下來說明了貝氏定理部分，包括貝氏分類、進階貝氏分類、貝氏推斷入門及進階以及馬可夫鏈蒙地卡羅。最後一部分則以橢圓為主，包括了馬氏距離、線性迴歸及主成分分析，搭配本書系其它書籍，相信AI的數學，對你來說只會是開心而不是阻礙。□ 宇宙的語言是數學，數學的精華是機率，機率的表達是統計！□ 機器學習、深度學習、人工智慧，控制系統都覆蓋的機率統計基礎□ 統計描述方法：描述、推斷、圖、差、位、距、值、度、變□ 古典機率、條件機率、全機率理論□ 離散變數、離散分佈、連續隨機變數□ 一元、二元、多元、條件高斯分佈、斜方差矩陣□ 隨機變數函式、蒙地卡羅模擬□ 頻率派統計、機率密度、機率質量□ 貝氏定理、貝氏分類、貝氏推斷、馬可夫鏈□ 馬氏距離、線性迴歸、主成分分析本書資源可至深智官網下載：https://deepwisdom.com.tw

AI時代Math元年 - 用Python全精通機器學習 ?? 迴歸分析：深度挖掘資料中變數間的關聯性與規律 ?? 線性迴歸：透過直線模型解讀簡單資料的趨勢與變化 ?? 多元線性迴歸：建構高維資料模型，分析多重影響因素 ?? 非線性迴歸：處理複雜資料模式，探索非線性關係的應用 ?? 正規化迴歸：透過嶺回歸與套索迴歸有效抑制模型過擬合 ?? 貝氏迴歸：結合先驗知識與數據，實現貝氏統計推斷 ?? 高斯過程：深入了解從理論到應用的高斯模型方法 ?? k最近鄰分類：運用鄰近資料進行分類與迴歸的經典算法 ?? 決策樹：以層次結構實現資料分類與回歸的靈活應用 ?? 支援向量機：應對高維資料，實現精確分類與回歸分析 ?? 主成分分析：透過降維技術提取資料中的核心特徵與模式 ?? K平均值聚類：快速分群分析，尋找資料內部結構與規律 ?? 高斯混合模型：運用軟聚類技術實現精細的資料分群 ?? 最大期望演算法：優化模型參數，提升聚類與估計效能