「作者在上市 IC 公司上班，每天面對 real world problems。探索如何建立輕量深度學習網路以及發展更有效率的學習方式是他每天的工作。這是一本學理及實務兼具的好工具書。」 － 中央研究院資訊科學研究所所長 廖弘源博士 推薦[搭起 AI 與統計的橋樑]原本統計學與人工智慧是兩個完全不同的領域，然而兩者在近代都有了新的發展進而產生連結。在人工智慧中導入機率與統計的觀念，讓電腦具有自己找出數據之間的關聯性並試圖解決問題的能力，因而出現機器學習 (machine learning) ，再加上電腦計算能力的大幅提升，解決多層類神經網路和大數據之間聯繫性的可能，進而衍生出現今最熱門的深度學習 (deep learning)。不過，大部分電腦相關科系出身的人並不熟悉統計學，因此在更上一層樓的時候容易遇到障礙。有鑒於此，小編在推出《機器學習的數學基礎》(天瓏專業書店年度暢銷第一名) 一書之後，就積極開發 AI 與統計學相關的書籍。在尋尋覓覓之後請到擅長統計與機器學習的黃志勝博士出馬撰寫《機器學習的統計基礎》，首要之務就是讓讀者不要視統計為畏途，因此在書中設計大量範例以降低學習難度，務求讀得懂、做得出來才容易吸收，進而搭好統計與機器學習的橋樑。如果自覺數學已經還給老師了也不用擔心，可以將本書搭配《機器學習的數學基礎》一併完整學習。[學會統計, 由混亂到清晰]本書從讀者在高中就學過的集合與機率論開始，帶您快速複習一遍，並將容易混淆之處多多舉例說明，並將以前似懂非懂的隨機變數、機率分布等觀念再解釋得更清楚。接下來就進入專有名詞特別多的統計學，這也是造成許多人暈頭轉向之處。特別是樣本估計、信賴區間、顯著水準、信心水準、t-分布、假設檢定...等讓人一個頭兩個大的主題，更是務求清楚明瞭。當然本書不可能把完整的統計學全都搬進來，此處只介紹機器學習、深度學習需要用到的統計基礎知識，縮短您的學習時間。然後就進入機器學習的重頭戲，從資料前處理到迴歸、分類模型的建立，以及當數據的特徵數過多時的 PCA、LDA 統計降維法。從類神經網路開始進入深度學習的範疇，包括前向傳遞、梯度下降法與倒傳遞學習法的手算實作，幫助讀者一步步建立深度學習的演算邏輯，並利用參數常規化解決模型過擬合 (over-fitting) 的問題。最後，導入模型評估，例如二元、多元分類模型評估指標、迴歸模型評估指標、4
內容介紹: 在 ChatGPT 和 AIGC 應用發光發熱之際，你是不是驚覺：怎麼 AI 已經離我這麼近了！其實 AI 一直都在，只是默默在背後運作，然而多數人還不認識 AI，因而有許多神話或恐懼的想法。-▌如果你是上班族：看到媒體、新聞反覆報導，又說 AI 多厲害，又說 AI 會造成失業，到底 AI 是甚麼？對你的工作有甚麼幫助或影響？有危機意識的你該如何擺脫宿命？▌如果你是新鮮人或轉職者：懂不懂 AI，直接影響未來求職的競爭力。當企業對 AI 求才若渴，你的履歷會需要多點 AI 來加分！不過之前學校教的不多，網路資源又讓人似懂非懂，想要獲得企業青睞，該從何下手？▌如果你是家長：這一代年輕人就是 AI 原生族群，AI 勢必伴隨著他們成長，而 AI 所帶來的影響也是避無可避，想要消弭可能的科技代溝，該怎麼預防？-AI 時代已然揭開序幕，要在這個時代生存，你需要對 AI 有基本素養，首要認識 AI、知道 AI 的能耐與限制，然後懂得運用 AI 來提高效率，彌補自身不足，才不會被改革的浪潮所淹沒。有感於一般大眾對於 AI 的認識有限，就算詳讀許多相關資料，單憑書籍、網路文章的隻字片語，難以對 AI 有深刻體悟。作者將人工智慧看似艱澀難懂的知識，經由淺顯易懂的觀念講解，搭配 40 個零基礎也能玩的實作，化為大家都「看得懂、說得出、做得到」的 AI 素養。沒有程式、沒有數學的學習門檻，帶領你無痛體驗生成式 AI、機器學習、深度學習、自然語言處理、電腦視覺辨識...等各種 AI 技術，不懂程式的你，也可以親手訓練 AI、掌握 AI，讓 AI 成為你的神助手！ 本書特色: ▌專家學者誠摯推薦 ▌王年燦｜致理科技大學 創新設計學院 教授兼院長林仁智｜國立臺北教育大學 數位科技設計系教授兼系主任林筱玫｜台灣人工智慧協會 執行長區國良｜國立清華大學 學習科學與科技研究所 教授張一偉｜凡甲科技總經理張維元｜「資料科學家的工作日常」版主(以上依照姓名筆劃順序排列)\ 一看就懂的 AI 最強入門書 /貼近科技脈動，跟上 AI 技術發展腳步，吸收新知不落伍！● 生成式 AI (Generative AI)● 機器學習 (Machine Learning)● 深度學習 (Deep Learning)● 卷積神經網路 (CNN)● 循環神經網路 (RNN)
