CHAPTER 1 關於視覺化與機器學習

1.1 一個資料科學專案 

1.2 何謂視覺化 

1.3 為何視覺化

1.4 何謂機器學習

1.5 pyvizml 模組

1.6 為何機器學習

1.7 延伸閱讀



CHAPTER 2 數列運算

2.1 關於 NumPy

2.2 為何 NumPy

2.3 如何建立 ndarray

2.4 常用的 ndarray 屬性

2.5 純量、向量、矩陣與張量

2.6 ndarray 的索引

2.7 ndarray 的切割

2.8 ndarray 特別的索引

2.9 重塑外觀

2.10 複製陣列

2.11 合併陣列

2.12 通用函式

2.13 聚合函式

2.14 延伸閱讀



CHAPTER 3 資料探索

3.1 關於 Matplotlib

3.2 為何 Matplotlib

3.3 使用 Matplotlib 的兩種方式

3.4 輸出 Matplotlib 作圖

3.5 常見的探索性資料分析

3.6 觀察數值資料相關性的需求

3.7 觀察類別資料排序的需求

3.8 觀察數值資料分布的需求

3.9 觀察數學函式外觀的需求

3.10 觀察區域海拔高度的需求

3.11 顯示二維數值陣列的需求

3.12 如何為圖形增加元素

3.13 如何在圖形中加入中文字

3.14 如何繪製子圖

3.15 延伸閱讀



CHAPTER 4 機器學習入門

4.1 關於 Scikit-Learn

4.2 為何 Scikit-Learn

4.3 五個核心理念

4.4 機器學習的資料表達

4.5 Scikit-Learn 的支援場景

4.6 關於訓練、驗證與測試資料

4.7 延伸閱讀



CHAPTER 5 數值預測的任務

5.1 關於數值預測的任務

5.2 以 Scikit-Learn 預測器完成數值預測任務

5.3 正規方程 Normal Equation

5.4 自訂正規方程類別 NormalEquation

5.5 計算複雜性

5.6 梯度遞減 Gradient Descent

5.7 自訂梯度遞減類別 GradientDescent

5.8 標準化與進階的梯度遞減

5.9 延伸閱讀



CHAPTER 6 類別預測的任務

6.1 關於類別預測的任務

6.2 以 Scikit-Learn 預測器完成類別預測任務

6.3 羅吉斯迴歸

6.4 自訂羅吉斯迴歸類別 LogitReg

6.5 二元分類延伸至多元分類：One versus rest

6.6 二元分類延伸至多元分類：Softmax 函式

6.7 兩種表示類別向量的形式

6.8 延伸閱讀



CHAPTER 7 表現的評估

7.1 如何評估機器學習演算方法

7.2 評估數值預測任務的表現

7.3 評估類別預測任務的表現

7.4 自訂計算評估指標的類別 ClfMetrics

7.5 誤差的來源

7.6 減少訓練誤差

7.7 減少訓練誤差與測試誤差的間距

7.8 延伸閱讀



CHAPTER 8 深度學習入門

8.1 什麼是深度學習

8.2 為何深度學習

8.3 什麼是 Keras

8.4 為何 Keras

8.5 撰寫 Keras 的步驟

8.6 前向傳播

8.7 反向傳播

8.8 自訂深度學習類別 DeepLearning

8.9 MNIST 資料與時裝 MNIST 資料

8.10 延伸閱讀

APPENDIX A pyvizml.py

CHAPTER 1 關於視覺化與機器學習
1.1 一個資料科學專案 
1.2 何謂視覺化 
1.3 為何視覺化
1.4 何謂機器學習
1.5 pyvizml 模組
1.6 為何機器學習
1.7 延伸閱讀

CHAPTER 2 數列運算
2.1 關於 NumPy
2.2 為何 NumPy
2.3 如何建立 ndarray
2.4 常用的 ndarray 屬性
2.5 純量、向量、矩陣與張量
2.6 ndarray 的索引
2.7 ndarray 的切割
2.8 ndarray 特別的索引
2.9 重塑外觀
2.10 複製陣列
2.11 合併陣列
2.12 通用函式
2.13 聚合函式
2.14 延伸閱讀

CHAPTER 3 資料探索
3.1 關於 Matplotlib
3.2 為何 Matplotlib
3.3 使用 Matplotlib 的兩種方式
3.4 輸出 Matplotlib 作圖
3.5 常見的探索性資料分析
3.6 觀察數值資料相關性的需求
3.7 觀察類別資料排序的需求
3.8 觀察數值資料分布的需求
3.9 觀察數學函式外觀的需求
3.10 觀察區域海拔高度的需求
3.11 顯示二維數值陣列的需求
3.12 如何為圖形增加元素
3.13 如何在圖形中加入中文字
3.14 如何繪製子圖
3.15 延伸閱讀

CHAPTER 4 機器學習入門
4.1 關於 Scikit-Learn
4.2 為何 Scikit-Learn
4.3 五個核心理念
4.4 機器學習的資料表達
4.5 Scikit-Learn 的支援場景
4.6 關於訓練、驗證與測試資料
4.7 延伸閱讀

CHAPTER 5 數值預測的任務
5.1 關於數值預測的任務
5.2 以 Scikit-Learn 預測器完成數值預測任務
5.3 正規方程 Normal Equation
5.4 自訂正規方程類別 NormalEquation
5.5 計算複雜性
5.6 梯度遞減 Gradient Descent
5.7 自訂梯度遞減類別 GradientDescent
5.8 標準化與進階的梯度遞減
5.9 延伸閱讀

CHAPTER 6 類別預測的任務
6.1 關於類別預測的任務
6.2 以 Scikit-Learn 預測器完成類別預測任務
6.3 羅吉斯迴歸
6.4 自訂羅吉斯迴歸類別 LogitReg
6.5 二元分類延伸至多元分類：One versus rest
6.6 二元分類延伸至多元分類：Softmax 函式
6.7 兩種表示類別向量的形式
6.8 延伸閱讀

CHAPTER 7 表現的評估
7.1 如何評估機器學習演算方法
7.2 評估數值預測任務的表現
7.3 評估類別預測任務的表現
7.4 自訂計算評估指標的類別 ClfMetrics
7.5 誤差的來源
7.6 減少訓練誤差
7.7 減少訓練誤差與測試誤差的間距
7.8 延伸閱讀

CHAPTER 8 深度學習入門
8.1 什麼是深度學習
8.2 為何深度學習
8.3 什麼是 Keras
8.4 為何 Keras
8.5 撰寫 Keras 的步驟
8.6 前向傳播
8.7 反向傳播
8.8 自訂深度學習類別 DeepLearning
8.9 MNIST 資料與時裝 MNIST 資料
8.10 延伸閱讀
APPENDIX A pyvizml.py

CHAPTER 1 關於視覺化與機器學習

1.1 一個資料科學專案 

1.2 何謂視覺化 

1.3 為何視覺化

1.4 何謂機器學習

1.5 pyvizml 模組

1.6 為何機器學習

1.7 延伸閱讀



CHAPTER 2 數列運算

2.1 關於 NumPy

2.2 為何 NumPy

2.3 如何建立 ndarray

2.4 常用的 ndarray 屬性

2.5 純量、向量、矩陣與張量

2.6 ndarray 的索引

2.7 ndarray 的切割

2.8 ndarray 特別的索引

2.9 重塑外觀

2.10 複製陣列

2.11 合併陣列

2.12 通用函式

2.13 聚合函式

2.14 延伸閱讀



CHAPTER 3 資料探索

3.1 關於 Matplotlib

3.2 為何 Matplotlib

3.3 使用 Matplotlib 的兩種方式

3.4 輸出 Matplotlib 作圖

3.5 常見的探索性資料分析

3.6 觀察數值資料相關性的需求

3.7 觀察類別資料排序的需求

3.8 觀察數值資料分布的需求

3.9 觀察數學函式外觀的需求

3.10 觀察區域海拔高度的需求

3.11 顯示二維數值陣列的需求

3.12 如何為圖形增加元素

3.13 如何在圖形中加入中文字

3.14 如何繪製子圖

3.15 延伸閱讀



CHAPTER 4 機器學習入門

4.1 關於 Scikit-Learn

4.2 為何 Scikit-Learn

4.3 五個核心理念

4.4 機器學習的資料表達

4.5 Scikit-Learn 的支援場景

4.6 關於訓練、驗證與測試資料

4.7 延伸閱讀



CHAPTER 5 數值預測的任務

5.1 關於數值預測的任務

5.2 以 Scikit-Learn 預測器完成數值預測任務

5.3 正規方程 Normal Equation

5.4 自訂正規方程類別 NormalEquation

5.5 計算複雜性

5.6 梯度遞減 Gradient Descent

5.7 自訂梯度遞減類別 GradientDescent

5.8 標準化與進階的梯度遞減

5.9 延伸閱讀



CHAPTER 6 類別預測的任務

6.1 關於類別預測的任務

6.2 以 Scikit-Learn 預測器完成類別預測任務

6.3 羅吉斯迴歸

6.4 自訂羅吉斯迴歸類別 LogitReg

6.5 二元分類延伸至多元分類：One versus rest

6.6 二元分類延伸至多元分類：Softmax 函式

6.7 兩種表示類別向量的形式

6.8 延伸閱讀



CHAPTER 7 表現的評估

7.1 如何評估機器學習演算方法

7.2 評估數值預測任務的表現

7.3 評估類別預測任務的表現

7.4 自訂計算評估指標的類別 ClfMetrics

7.5 誤差的來源

7.6 減少訓練誤差

7.7 減少訓練誤差與測試誤差的間距

7.8 延伸閱讀



CHAPTER 8 深度學習入門

8.1 什麼是深度學習

8.2 為何深度學習

8.3 什麼是 Keras

8.4 為何 Keras

8.5 撰寫 Keras 的步驟

8.6 前向傳播

8.7 反向傳播

8.8 自訂深度學習類別 DeepLearning

8.9 MNIST 資料與時裝 MNIST 資料

8.10 延伸閱讀

APPENDIX A pyvizml.py