林信良

透過迴歸（Regression），我們可以進行預估，而所謂的感知器（Perceptron），則與分類有關，我們可基於人類大量觀察的要點來建立

影像是二維的，我們處理當中的訊號時，可用二維的傅立葉轉換，是一種空間域與頻域之間的轉換。我們能透過這種作法，對圖像實現高通濾波、低通濾波等操作

如果想要執行尋找圖像邊緣這類進階處理，我們必須了解傅立葉轉換，以便認識圖像頻率的意義，然而，複雜的數學公式令人難以理解，何妨從程式實作開始著手

在圖片內容的處理上，如果我們想有效去除雜訊，必須先認識雜訊的生成方式，相對地，若出現雜訊，也意味著圖片失真，此時，我們可以利用像素的局部資訊，來達到去除雜訊之目的

資料可區分為人類可讀的資料，以及機器可讀的資料，而且，真實世界中的資料來源，不一定是專門為了給機器或程式庫判讀而設計，若要讀取這些資料、予以視覺化，需進行資料清理

以Matplotlib來進行2D繪圖之餘，我們也可以用它來執行3D繪圖，若要將其做為3D建模工具，讓這類非典型的應用是有可能實現的，而且，還可以發掘更多實用的功能

NumPy陣列提供與list相同的索引方式，但並非使用了NumPy，資料處理速度就會自動躍進，開發者須改變思考方式，才能善用NumPy陣列的效能優勢

針對陣列的運算，NumPy提供了廣播機制，規則看似複雜，然而，從Universal函式如何調整輸入陣列為相同形狀，以便一對一處理的觀點來看，就會易於掌握！