NumPy 高速運算徹底解說：六行寫一隻程式？你真懂深度學習？手工算給你看！


	硬派學習 AI 才能紮穩根基！　　許多 Python 開發人員初接觸機器學習、深度學習, 往往一開始就使用當紅的 Tensorflow、Keras 等 AI 框架, 只用了短短六行就寫出一隻神經網路程式, 接著就針對參數開始東調西調、訓練模型, 為了提高神經網路模型的準確率 (Accuracy) 96.6% → 97.4% → 98.9%...而奮戰著。　　只需六行？調調參數？看起來 AI 好像也不難學的樣子, 但, 這樣子就算懂 AI？　　那可不一定！Tensorflow、Keras 等框架的確大幅降低你寫程式的時間成本, 卻不代表可以降低你學 AI 的學習成本, 沒有從 AI 底層運算紮實學起, 千萬別說你已經懂機器學習、深度學習！　　「你在調整參數、追求準確率的過程中, 真的清楚了解每個選項背後代表的運算嗎？」　　「你有自己一步一步算過 Mini-batch 的梯度下降反向傳播嗎？」　　本書不使用深度學習框架, 純 Python + NumPy「一步一腳印、手工硬派」帶你學 AI,「我用手工算給你看, 你再用 NumPy 算一次, 硬派學習 AI 才能紮穩根基！」本書特色　　□最紮實的機器學習、深度學習 LAB 實戰　　．簡單線性迴歸、多項式迴歸分析實作　　．神經網路黑盒揭秘！二元分類、多元分類的底層運算剖析　　．損失函數公式、偏微分公式...一大堆算式有看沒有懂？手工算完再跟機器比一比, 算完保證秒懂！　　．反向傳播究竟「反」在哪？逐層帶你一步步反著算, 跟著做超有感！　　．還有強化學習、Q-learning...等更多 AI 實戰應用　　□初學 AI 一定要徹底搞懂 NumPy 函式怎麼用　　GitHub 2019 年度報告指出：「在機器學習、深度學習相關主題, 超過一半的 repositories 是基於 NumPy 建構的」！　　．看不懂 Python 程式碼？那是 NumPy 啦！掌握 reshape()、argmax()、transpose()、exp()、linspace()、dot()、sum()...各種 AI 實作必用函式　　．ndarray 重要概念釋疑 - axis、dimension、shape、broadcasting 　　．標準差、變異數、反矩陣、內積、外積...繁瑣的數學運算交給數學函式輕鬆搞定　　□詳細解說, 流暢翻譯　　本書由【施威銘研究室監修】, 書中針對原書進行大量補充, 並適當添加註解, 幫助讀者更加理解內容！　　★歡迎加入本書社群, 和技術者們直接對話！　　從做中學 Learning by doing 粉絲專頁


	目錄 Ch01 NumPy 的基礎 1-1 認識 NumPy 的基本操作 1-2 ndarray 多維陣列的基本概念 1-3 ndarray 的軸 (axis) 與維度 (dimension) 1-4 ndarray 的 dtype 屬性 1-5 ndarray 的切片 (Slicing) 操作 1-6 陣列擴張 (Broadcasting) Ch02 NumPy基本運算函式 2-1 陣列重塑 - reshape()、resize() 2-2 在陣列最後面加入元素 – append() 2-3 判斷陣列真假值 – all()、any() 2-4 找出符合條件的元素 – where() 2-5 取出最大值、最小值 – amax()、amin() 2-6 取出最大值、最小值的索引位置 – argmax()、argmin() 2-7 陣列轉置 – transpose() 2-8 陣列排序 – sort() 與 argsort() 2-9 陣列合併 – vstack()、hstack() 2-10 建立元素都是 0 的陣列 – zeros() 2-11 建立元素都是 1 的陣列 – ones() 2-12 建立「不限定元素值」的陣列 – empty() 2-13 建立指定範圍的等差陣列 – arange() 2-14 建立指定範圍的等差陣列 – linspace() 2-15 建立單位矩陣 – eye()、identity() 2-16 將陣列展平為 1D 陣列 – flatten() 2-17 將陣列展平為 1D 陣列 – ravel() 2-18 找出不是 0 的元素 – nonzero() 2-19 複製陣列元素, 拚貼成新陣列 – tile() 2-20 增加陣列的軸數 – np.newaxis 2-21 陣列合併 – np.r_ 與 np.c_ 物件 2-22 陣列的儲存與讀取 – save() 與 load() 2-23 以文字格式儲存、讀取陣列內容 – savetxt() 與 loadtxt() 2-24 建立隨機亂數的陣列 – random 模組 Ch03 NumPy 的數學函式 3-1 基本的數學運算函式 3-2 計算元素平均值 – average() 與 mean() 3-3 計算中位數 – median() 3-4 計算元素總和 – sum() 3-5 計算標準差 – std() 3-6 計算變異數 – var() 3-7 計算共變異數 – cov() 3-8 計算相關係數 – corrcoef() 3-9 網格陣列 – meshgrid() 3-10 點積運算 – dot() 3-11 計算矩陣的 determinant – linalg.det() 3-12 計算矩陣的「特徵值」與「特徵向量」 – linalg.eig() 3-13 計算矩陣的 rank – linalg.matrix_rank() 3-14 計算矩陣的「反矩陣」 – linalg.inv() 3-15 計算張量積 – outer() 3-16 計算叉積 – cross() 3-17 計算卷積 – convolve() 3-18 將連續值轉換為離散值 – digitize() Ch04 NumPy 的實務應用 4-1 資料的正規化 (Normalization) 4-1-1 z 分數正規化 4-1-2 最小值 - 最大值正規化 4-2 迴歸分析實作 4-2-1 迴歸概念解說 (簡單線性迴歸、多項式迴歸) 4-2-2 Step1：建立 20 個 (x, y) 組合的座標點 4-2-3 Step2：餵資料給機器學習, 求出能逼近 20 個點的迴歸方程式 4-2-4 Step3：完成學習, 驗證結果 4-3 機器學習實戰 (一)：使用神經網路替鳶尾花分類 4-3-1 神經網路的基本概念 (神經元、啟動函數、損失函數) 4-3-2 Step1：備妥訓練所需的資料資料預處理將資料集拆分為「訓練資料集」與「測試資料集」 4-3-3 Step2：開始訓練神經網路訓練神經網路更新權重進入下一週期的訓練、更新權重 4-3-4 Step3：完成訓練, 驗證結果 4-4 機器學習實戰 (二)：使用神經網路辨識手寫數字圖片 4-4-1 多層神經網路的概念 4-4-2 Step1：備妥訓練所需的資料 4-4-3 Step2：開始訓練神經網路了解反向傳播之前要先了解前向傳播以計算圖呈現損失函數 L 的算式利用「反向傳播」求損失函數 L 對各權重的偏微分開始訓練神經網路 4-4-4 Step3：完成訓練, 驗證結果 4-5 使用 NumPy 實作強化學習 4-5-1 OpenAI Gym 是什麼 4-5-2 安裝與執行遊戲 4-5-3 用 Q-Learning 實作強化學習 4-5-4 增進 Q-Learning 的學習成效 4-5-5 策略梯度法