第1章　機器“學習” 001
1.1　數據科學、人工智慧與機器學習 002
1.1.1　數據科學與機器學習 002
1.1.2　人工智慧≠機器學習≠深度學習 005
1.2　機器學習概述 011
1.2.1　機器學習是什麼 011
1.2.2　機器學習學什麼 018
1.3　數據素養 021
1.3.1　何為數據素養 021
1.3.2　數據素養的維度劃分 023

第2章　數據基礎 025
2.1　先利其器 026
2.2　科學計算 029
2.2.1　向量與矩陣生成 029
2.2.2　向量與矩陣運算 035
2.3　數據分析 040
2.3.1　Series與DataFrame 040
2.3.2　文件的導入與處理 044
2.4　數據可視 047
2.4.1　基本圖形 047
2.4.2　畫圖點睛 052

第3章　回歸問題 057
3.1　什麼是回歸問題 058
3.1.1　回歸分析概述 058
3.1.2　最小二乘法 060
3.2　線性回歸 061
3.2.1　一元線性回歸 061
3.2.2　多元線性回歸 069
3.3　進階：視覺化 075

第4章　分類問題 078
4.1　什麼是分類問題 079
4.2　近朱者赤近墨者黑的k近鄰 079
4.2.1　k近鄰演算法基本原理 079
4.2.2　k近鄰演算法實踐 085
4.3　通過熵解決分類的決策樹 087
4.3.1　決策樹與資訊熵 087
4.3.2　決策樹案例與實踐 090
4.4　進階：距離 098

第5章　聚類問題 100
5.1　什麼是聚類 101
5.2　K均值聚類 103
5.2.1　K均值聚類原理 103
5.2.2　K均值聚類實踐 109
5.3　系統聚類 113
5.3.1　系統聚類原理 113
5.3.2　系統聚類實踐 118
5.4　進階：再談距離 120

第6章　降維問題 122
6.1　什麼是降維問題 123
6.2　主成分分析 124
6.2.1　主成分分析原理 124
6.2.2　主成分分析實踐 126
6.3　奇異值分解 131
6.3.1　奇異值分解原理 131
6.3.2　奇異值分解實踐 133
6.4　進階：特徵值與特徵向量 136

第7章　神經網路 141
7.1　從神經元到感知機 142
7.1.1　從生物神經元到人工神經元 142
7.1.2　從單層感知機到多層感知機 146
7.2　神經網路的運行原理 150
7.2.1　結構概述 150
7.2.2　前向傳播 151
7.2.3　反向傳播 155
7.3　神經網路的參數說明與實踐 156
7.3.1　參數與超參數 156
7.3.2　解決分類與回歸問題 158
7.4　進階：反向傳播推導 163

附錄A　Python基礎 166
A.1　運算子 167
A.1.1　基本算術運算子與數值型 167
A.1.2　關係運算子、邏輯運算子與布林型 168
A.2　字串與數據結構 170
A.2.1　字串 170
A.2.2　列表 171
A.2.3　元組 172
A.2.4　字典 173
A.3　控制結構 174
A.3.1　if語句 174
A.3.2　while語句 175
A.3.3　for語句 176
A.3.4　多重迴圈 177
A.4　定義函數 178

附錄B　導數與代數基礎 179
B.1　導數 180
B.2　向量 183
B.3　矩陣 189

附錄C　騰訊扣叮Python實驗室：Jupyter Lab使用說明 196