現代 AI 全景聖經：機器學習 x 神經網路，從數學原理到 Transformer 核心

王彥文

現任明新科技大學教務長暨工業工程與管理系副教授，具逾 20 年高等教育、研究與產學實務經驗。曾主筆教育部大型競爭型計畫，累計爭取逾新臺幣 4 億元經費，並主持或參與多項國科會、教育部及企業產學合作計畫。長期投入 STEAM 跨域教育、人工智慧演算法與 ESG 永續發展，並以系統整合與跨域解題為核心，思考科技如何真正回應教育、產業與社會需求。

身為工業工程領域學者，重視系統思維、資源配置與流程整合，並始終相信：當 AI 工具愈來愈容易取得，真正能形成競爭力的，是對演算法原理、資料流動與工程取捨的理解。

本書延續此一理念，從技術原點與底層邏輯出發，期望協助讀者建立不隨套件與版本更迭而快速過時的 AI 核心素養，以及面對未來技術變革時持續思考與判斷的能力。

 

FB：

https://www.facebook.com/bryan.wang.9047

IG：

https://www.instagram.com/bryan.wang.9047

 

黃銀鵬

國立臺灣大學網路多媒體研究所博士候選人，國立成功大學電機工程研究所碩士。投身資訊教育多年，曾任國立臺灣大學資訊系統訓練班資深講師，並於多所大學任教，累積十餘年程式設計、資料處理、網路與多媒體技術教學經驗。

長期面對不同背景的學習者，始終相信：再困難的技術，都能找到讓人真正理解的入口。教學上重視從生活化情境切入，再透過實作逐步建立概念，讓學習者不只知道「怎麼做」，更理解「為什麼這樣做」。

本書延續這樣的教學節奏，由基礎出發、循序漸進，搭配實際範例，陪伴讀者從陌生走向理解，進而具備真正運用技術的能力。

▍Part I 基礎與工具

第1 章 AI 簡史與當代格局

1.1 人工智慧的三大典範與時代演進

1.2 為什麼Python 主導AI

1.3 本書地圖與閱讀路徑

章末綜合專題 用LLM 整理70 年AI 發展年表

本章重點回顧

 

第2 章 Anaconda Python 與資料科學工具鏈

2.1 為什麼選Anaconda Python

2.2 Anaconda 安裝與基本配置

2.3 Conda 環境管理

2.4 GPU 環境與 PyTorch 安裝

2.5 開發工具與Jupyter 工作流

2.6 與AI 協作寫程式的工作流與邊界

章末綜合專題 建立個人AI 工作站環境並跑通三個baseline 範例

本章重點回顧

 

第3 章 NumPy/Pandas/Polars 數值運算

3.1 NumPy 向量化運算

3.2 Pandas DataFrame 核心

3.3 Polars 高效能替代品

3.4 實戰：真實資料清洗與ETL

章末綜合專題　用Pandas+Polars 完成台股ETF 多源資料整合

本章重點回顧

 

▍Part II 經典機器學習

第4 章 監督式學習基礎與評估

4.1 機器學習問題框架

4.2 訓練/ 驗證/ 測試分割

4.3 偏差- 變異權衡

4.4 評估指標

4.5 實戰：完整ML 流程

本章重點回顧

 

第5 章 線性模型，樹族與核方法

5.1 線性迴歸與正則化

5.2 邏輯迴歸與機率分類

5.3 決策樹與隨機森林

5.4 SVM 與核方法

5.5 KNN 與Naive Bayes

章末綜合專題 六大經典模型在台灣信貸違約資料上的橫向PK

本章重點回顧

 

第6 章 集成學習與AutoML

6.1 Bagging 與隨機森林

6.2 Boosting

6.3 工業級實作：XGBoost/LightGBM/CatBoost

6.4 Stacking 模型堆疊

6.5 AutoML

6.6 可解釋AI(XAI)

章末綜合專題 用集成學習+AutoML+XAI 完整解決台灣信貸違約預測

本章重點回顧

 

第7 章 無監督學習與推薦系統

7.1 聚類

7.2 降維

7.3 異常偵測

7.4 推薦系統

章末綜合專題 用台灣7-Eleven 門市資料跑無監督學習四件組

本章重點回顧

 

▍Part III 深度學習基礎

第8 章 神經網路原理與PyTorch

8.1 從感知機到深度學習

8.2 PyTorch 基礎

8.3 訓練流程與優化器

8.4 正則化技巧

8.5 [ 深化] 反向傳播矩陣形式與梯度消失

章末綜合專題 用PyTorch 重現深度學習史的三個經典模型

本章重點回顧

 

第9 章 電腦視覺與CNN

9.1 卷積神經網路核心

9.2 物件偵測

9.3 影像分割

9.4 視覺基礎模型（VLM 視覺部分）

9.5 自監督與少樣本學習

9.6 [ 深化] 感受野計算與ViT 對CNN 的取代

章末綜合專題 用ResNet-50+ViT-Base 雙模型在台灣鳥類資料上做架構對比

本章重點回顧

 

第10 章 序列模型——從RNN 到Transformer 之前

10.1 RNN 與梯度消失

10.2 LSTM 與GRU

10.3 詞向量演化

10.4 Encoder-Decoder 與注意力起源

10.5 後Transformer 序列模型（2024 復興）

10.6 [ 深化]LSTM 三閘梯度推導

章末綜合專題 用PyTorch 重現序列模型的三個經典里程碑

本章重點回顧

 

第11 章 Transformer 核心

11.1 從注意力到Self-Attention

11.2 Q/K/V 與縮放

11.3 Multi-Head Attention

11.4 位置編碼

11.5 Encoder-Decoder vs Decoder-only vs Encoder-only

11.6 Transformer 的工程優化

11.7 [ 深化]Attention 縮放因子推導與Multi-Head 數學

章末綜合專題 用PyTorch 從零實作Transformer + 在立法院議事錄上訓練質詢摘要

本章重點回顧