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
