理論到實作都一清二楚：機器學習原理深究

◇◆◇ 29 個主題一次涵蓋現代所有機器學習的數學、統計原理！◇◆◇

　　人們透過機器學習，試著讓電腦能夠從大量資料中學習成長，不僅可以運用在生活各方面的功能提升，甚至還能透過這些既有的資料，起到鑑往知來的效果，處在當今資訊爆炸的時代，正是你開始學機器學習的最好時機！

　　本書收錄了關於機器學習最重要的統計應用及數學原理，全書分成了監督學習和無監督學習，以及深度學習三大區塊。

　　在監督學習部分，介紹了最基本的三大問題——分類、回歸、標注，並針對這三大問題，介紹各種解決方法。包括了感知機、K近鄰法、單純貝氏法、決策樹、邏輯回歸、最大熵模型、擬牛頓法、支援向量機(SVM)、各種提升法(Boost)、EM演算法、隱馬可夫模型、條件隨機場等等，在監督學習也特別獨立出一章來複習整合這些演算法。

　　而在無監督學習上，則介紹了當代最重要的幾個演算法及模型，包括了聚類方法(如K均值)、奇異值分解(SVD)、主成分分析(PCA)、潛在語義分析(包括了最流行的向量空間)、機率潛在語義分析等。在較進階的應用上，也介紹了馬可夫鏈蒙地卡羅法、吉布斯抽樣、潛在狄利克雷分配模型，另外奠定Google基本的PageRank演算法也有詳細的說明。

　　在深度學習的部分，也有前饋神經網路、卷積神經網路、循環神經網路、序列到序列模型、預訓練語言模型、生成對抗網路等，以及最後的深度學習方法總結，是想要完備機器學習知識的讀者，不容錯過的集大成之作！

　　【適合讀者】
　　● 機器學習相關學習者。
　　● 從事資訊檢索、自然語言處理等領域的學生與研究人員。
　　● 從事機器學習的專業研究人員。