AI 機器學習全攻略:從理論到應用

    近40小時的課程,帶你掌握資料科學套件(NumPy、Pandas、Matplotlib、Seaborn),由淺入深學習「機器學習」的數學原理、理論與程式應用,全面涵蓋監督式學習(回歸、分類)與非監督式學習(降維、聚類)等 AI 模型!

    301
    5.0
    • 了解監督式學習(Supervised Learning)、非監督式學習(Unsupervised Learning)與強化學習(Reinforcement)的基本概念

    • 了解人工智能(AI)領域的分類、研究領域,並且熟悉機器學習的常見演算法

    • 使用監督式學習中的迴歸任務(Regression)與分類任務(Classification)的常見機器學習模型

    • 熟悉 Numpy Array 的建立、索引、切片與運算,以及能夠使用 Numpy 進行向量化運算以提升效能

    • 熟悉 DataFrame 與 Series 的常見操作

    US$20.93
    US$65.82

    按一下 进入设定

    00:00
    00:00
    00:00

    🎁 驚喜折扣,只要 NT$690!

    結帳輸入優惠碼【5rjgkr0w3vlo】,立即享優惠!

    ※ 本課程為「獨立限時優惠」,價格更低,無法與其他活動併用。

     

    AI 機器學習全攻略

    理論與實作並重,從零開始掌握 AI 技術

    你對資料科學、人工智能、機器學習有興趣嗎?

    未來的世界很可能將由 AI 技術驅動,無論是資訊、醫療、金融、零售還是日常生活,人工智慧都將扮演關鍵角色。

    如果你對資料科學、人工智能和機器學習等領域有興趣,卻不知道從哪裡開始,本課程將是你進入 AI 領域的最佳起點!

    學習機器學習不僅需要動手寫程式,更需要紮實的數學基礎。因此,本課程特別強調「理論與實作並重」:你不僅會學到每個演算法背後的數學原理,還會學會如何用 Python 及主流資料科學套件將這些理論落實到實際應用中。

     

    無論你是理論數學派還是實戰應用派,都能在這門課找到屬於自己的學習重點!

    🛠️ 資料科學扎實基礎

    從零開始,熟悉和學習以下常見的資料科學套件,並且從統計分析、資料可視化到探索式資料分析(Exploratory Data Analysis),全面理解資料背後的故事。
    運用統計方法發掘資料中的關鍵特徵,並透過各種視覺化工具將複雜的數據轉化為直觀易懂的圖像,快速掌握資料的分布、趨勢與潛在關係:

    NumPyPandasMatplotlibSeabornPlotly

    🤖 監督式學習模型

    詳細介紹回歸與分類模型,理解以下模型的數學推導、損失函數設計方法、模型訓練與優化流程、模型差異比較、評估指標,並學會如何透過超參數調整來選擇最佳模型:

    線性迴歸 (Linear Regression)
    多項式迴歸 (Polynomial Regression)
    邏輯迴歸 (Logistic Regression)
    K-近鄰演算法 (KNN)
    支援向量機 (SVM)
    決策樹 (Decision Tree)
    隨機森林 (Random Forest)
    Naive Bayes Classifier
    支援向量機(Support Vector Machine)
    自適應增強(AdaBoost)
    梯度提升技術(Gradient Boosting)
    XGBoost

    📊 無監督學習技術

    了解四大無監督學習的模型運作原理、數學推導、適用場景與限制,並透過實際案例操作,讓你掌握如何在不同資料型態下選擇合適的演算法。

    KMeans 聚類
    階層聚類 (HAC)
    DBSCAN
    主成份分析 (PCA)

    📚 模型訓練與評估的核心觀念

    1
    梯度下降演算法(Gradient Descent Algorithm)
    2
    反向傳播演算法(Back Propagation Algorithm)
    3
    Overfitting 與 Underfitting
    4
    Bias-Variance Tradeoff
    5
    模型訓練的問題處理方法
    6
    L1, L2 正則化規則與特性分析
    7
    交叉驗證(Cross Validation)與超參數調整(Hyperparameter Tuning)
    8
    特徵選擇(Feature Selection)與特徵縮放(Feature Scaling)
    9
    Accuracy, Recall, Recision and F1 Score 等模型分數差異比較

    🔬 實戰專案練習

    課程包含 7 個 Lab 實作練習,以真實世界的資料集為主題,讓你有機會將課堂所學應用到實際問題中,從資料清理、特徵工程到模型訓練與評估,全面提升你的資料思維與解決問題的能力。這些 Labs 不僅是課程範例的一部分,更是額外的 bonus 練習,讓實作過程中累積實戰經驗。

    • 📊 向量化運算實作
    • 🎬 Netflix 資料分析
    • 🚲 共享單車預測
    • 📰 中文假新聞分類
    • 🦪 鮑魚年齡預測
    • 🏪 百貨公司消費者客群分析
    • 💊 BMI 健康數據分析
    無論你是剛踏入 AI 領域的新手,還是希望補強基礎的進階學習者,此課程都能帶給你紮實的知識與技能。現在就加入課程,和來自各地的同學一起學習、交流,開啟屬於你的 AI 人工智慧、機器學習之旅吧!

    章节目录

    1-1機器學習課程架構
    1-2如何最好的使用這堂課
    1-3課前準備
    1-4人工智能發展歷史
    1-5Notion and Google Colab
    1-6課程 PPT 下載位置

    试阅影片

    常见问答

    如果您購買的是募資課程,請在課程的【簡介】中查看開課時間,募資課程將於開課時間所述日期開放同學上課。

     

    若您購買的是一般課程(開放上課課程),則在購買完成後可以立即開始觀看。

     

    所有線上課程皆不受時間限制,享無限次永久觀看!

    猜你喜欢

    购买前问答

    Reggie
    Reggie

    老師好,我沒有python基礎, 數學加減乘除,統計懂一些, 申請一個崗位是

    一是数据处理与可视化。需要使用Python进行数据清洗、整理和分析,并支持Interactive Dashboard的设计与开发。
    二是AI原型开发。要會使用开放数据和Python工具搭建简单的AI应用原型,例如预测模型、文档分析工具或地理空间分析工具,并对模型效果进行评估。

    除了購買Python 全攻略|從基礎語法到靈活應用以外, 請問要購買哪個課程會比較合適

    Wilson Ren
    Wilson Ren

    Reggie 同學你好!Python 全攻略這門課程主要是帶領大家從零開始學習 Python 的基礎語法,以及各種常見的 Python 應用,包含網路爬蟲、資料庫管理、自動化流程等內容。

     

    AI 機器學習課程則是進一步運用 Python 進行機器學習,課程內容包含資料處理、資料清洗、資料視覺化,以及分類模型、迴歸模型、數值預測等實際應用。

     

    以你目前申請的職位需求來看,我會建議你可以按照以下順序學習:

    1. 先學習 Python 全攻略:由於你目前沒有 Python 基礎,建議先完成前面的 Python 基礎語法章節,建立基本的程式設計能力。至於後面像是網路爬蟲、資料庫管理等應用,可以依照自己的需求和時間分配來選擇性學習,不一定需要全部完成。

    2. 接著學習 AI 機器學習:這門課程的內容與你申請的職位有較高的關聯性,尤其是資料處理、資料視覺化,以及利用 Python 建立和評估機器學習模型等部分,都能幫助你熟悉職位所需要的技能。

     

    整體而言,我會比較推薦你按照上述順序學習。先建立 Python 基礎,再進一步學習機器學習的實際應用,會是比較合適的學習路線。希望以上的資訊會對你有幫助!

    Reggie
    Reggie

    好的,謝謝老師建議,已購買2堂課程Python 全攻略和AI 機器學習, 想問老師課程和實操會不定期更新嗎, 

    销售方案