這幾年心中總想寫一本可以讓擁有高中數學程度的讀者即可看懂人工智慧、機器學習或深度學習的書籍，或是說看了不會想睡覺的機器學習書籍，這個理念成為我撰寫這本書籍很重要的動力。為了卸除數學心房，筆者撰寫此書依循原則如下：

　　★：數學原理彩色圖解。
　　★：手工計算基礎數學。
　　★：Python程式高效實作。
　　這本數撰寫的幾個特色如下：
　　☆：全數共用約205個Python實例，講解機器學習的基礎數學
　　☆：極詳細、超清楚、帶領讀者從畏懼數學到喜歡數學
　　☆：複雜的數學符號重新拆解，原來可以很容易
　　☆：了解機器學習的數學原理，讓機器學習程式充滿智慧靈魂

　　在徹底研究機器學習後，筆者體會許多基礎數學不是不會與艱難而是生疏了，如果機器學習的書籍可以將複雜公式從基礎開始一步一步推導，其實可以很容易帶領讀者進入這個領域，同時感受數學不再如此艱澀，這也是我撰寫本書時時提醒自己要留意的事項。

　　研究機器學習雖然有很多模組可以使用，但是如果不懂相關數學原理，坦白說筆者不會相信未來你在這個領域會有所成就，這本書講解了下列相關數學的基本知識。

　　■ 資料視覺化使用matplotlib、Seaborn
　　■ 基礎數學模組Math
　　■ 基礎數學模組Sympy
　　■ 數學應用模組Numpy
　　■ 將LaTeX應用在圖表
　　■ 機器學習基本觀念
　　■ 從方程式到函數
　　■ 方程式與機器學習
　　■ 從畢氏定理看機器學習
　　■ 聯立方程式與聯立不等式與機器學習
　　■ 機器學習需要知道的二次函數與三次函數
　　■ 數據擬合、決定係數與迴歸曲線製作
　　■ 數據預測
　　■ 機器學習的最小平方法
　　■ 機器學習必須知道的集合與機率
　　■ 機率觀念與貝式定理的運用－COVID-19的全民普篩準確性推估
　　■ 筆者講解指數與對數的運算規則，同時驗證這些規則
　　■ 除了講解機器學習很重要的歐拉數(Euler’s Number)，更說明歐拉數的由來
　　■ 認識邏輯(logistic)函數與logit函數
　　■ 三角函數
　　■ 大型運算子運算
　　■ 向量、矩陣與線性迴歸
　　■ 統計知識
　　■ 機器學習模組scikit-learn，監督學習與無監督學習。

　　相關書籍
　　這本書是筆者所著機器學習系列書的起點，讀者還可以閱讀下列書籍：
　　機器學習
　　彩色圖解 + 微積分篇 + Python實作