用通俗易懂的語言介紹機器學習演算法的原理，符合初學者的認知

規律，豐富的範例圖片，幫助讀者更加直觀地了解演算法背後的原理，實例豐富，幫助讀者使用機器學習演算法解決工程應用問題。

理論基礎包含機器學習的應用場景、開發之典型步驟，numpy、pandas、matplotlib等皆有演算法模型性能評估的指標與評估方法的篇章；八大常用機器學習演算法:k-近鄰演算法、線性回歸演算法、邏輯回歸演算法、決策樹支持向量機、單純貝氏演算法、PCA演算法、k-平均值演算法。

Chapter01 機器學習介紹

1.1 什麼是機器學習 

1.2 機器學習有什麼用

1.3 機器學習的分類 

1.4 機器學習應用程式開發的典型步

1.5 複習題

Chapter02 Python 機器學習軟體套件

2.1 開發環境架設

2.3 Numpy 簡介

2.4 Pandas 簡介

Chapter03 機器學習理論基礎

3.1 過擬合和欠擬合

3.2 成本函數

3.3 模型準確性

3.4 學習曲線

3.5 演算法模型效能最佳化

3.6 查準率和召回率

3.7 F1 Score

3.8 複習題

Chapter04 k- 近鄰演算法

4.1 演算法原理

4.2 範例：使用k- 近鄰演算法進行分類

4.3 範例：使用k- 近鄰演算法進行回歸擬合

4.4 實例：糖尿病預測

4.5 擴充閱讀

4.6 複習題

Chapter05 線性回歸演算法

5.1 演算法原理

5.2 多變數線性回歸演算法

5.3 模型最佳化

5.4 範例：使用線性回歸演算法擬合正弦函數

5.5 範例：測算房價

5.6 擴充閱讀

5.7 複習題

Chapter06 邏輯回歸演算法

6.1 演算法原理

6.2 多元分類

6.3 正規化

6.4 演算法參數

6.5 實例：乳腺癌檢測

6.6 擴充閱讀

6.7 複習題

Chapter07 決策樹

7.1 演算法原理

7.2 演算法參數

7.3 實例：預測鐵達尼號倖存者

7.4 擴充閱讀

7.5 集合演算法

7.6 複習題

Chapter08 支援向量機

8.1 演算法原理

8.2 核心函數

8.3 scikit-learn 裡的

8.4 實例：乳腺癌檢測

8.5 複習題

Chapter09 單純貝氏演算法

9.1 演算法原理

9.2 一個簡單的實例

9.3 機率分佈

9.4 連續值的處理

9.5 實例：文件分類

9.6 複習題

Chapter10 PCA 演算法

10.1 演算法原理

10.2 PCA 演算法範例

10.3 PCA 的資料還原率及應用

10.4 實例：人臉識別

10.5 擴充閱讀

10.6 複習題

Chapter11 k- 平均值演算法

11.1 演算法原理

11.2 scikit-learn 裡的k- 平均值演算法

11.3 使用k- 平均值對文件進行分群分析

11.4 分群演算法效能評估

11.5 複習題

AppendixA 後記

A.1 回顧與展望