課程資料
報名日期
全年招生
課程級別
學習模式
修業期
2 小時 10 分鐘
教學語言
普通話
授課導師
Wilson Ren
證書
- 可獲發
- *證書的發放與分配，依課程提供者的政策及安排而定。
評分
3次瀏覽
課程簡介
近40小時的全攻略課程，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！
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！
這堂課程的內容會循序漸進，涵蓋以下主題：
1. 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。
NumPy
Pandas
Matplotlib
Seaborn
Plotly
2. 監督式學習：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（K Nearest Neighbors）
Naive Bayes Classifier
支援向量機（Support Vector Machine）
決策樹（Decision Tree）
隨機森林（Random Forest）
自適應增強（AdaBoost）
梯度提升技術（Gradient Boosting）
XGBoost
3. 無監督學習：了解以下每種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 Clustering
Hierarchical Agglomerative Clustering
DBSCAN
主成份分析（Principal Component Analysis）
4. 了解機器學習中的其他重要概念，包含：
梯度下降演算法（Gradient Descent Algorithm）
反向傳播演算法（Back Propagation Algorithm）
Overfitting 與 Underfitting
Bias-Variance Tradeoff
模型訓練的問題處理方法
L1, L2 正則化規則與特性分析
交叉驗證（Cross Validation）與超參數調整（Hyperparameter Tuning）
特徵選擇（Feature Selection）與特徵縮放（Feature Scaling）
ROC-AUC 原理
交叉熵（Cross Entropy）完整公式推導
Accuracy, Recall, Recision and F1 Score 等模型分數差異比較
為了學以致用、強化實戰能力，此課程中特別設計了 7 個 Labs 實作練習。每個 Lab 都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。
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。現在就加入此課程，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！
課程章節
- 12 個章節
- 110 堂課
- 第 1 章 Chapter 0 - 機器學習入門（Intro to Machine Learning）
- 第 2 章 Chapter 1 - Numpy
- 第 3 章 Chapter 2 - Pandas
- 第 4 章 Chapter 3 - 資料可視化（Data Visualization）
- 第 5 章 Chapter 4 - 資料處理與探索式資料分析（Data Wrangling and EDA）
- 第 6 章 Chapter 5 - 監督式學習 - 迴歸任務（Supervised Learning - Regression）
- 第 7 章 Chapter 6 - 模型表現評估（Model Performance）
- 第 8 章 Chapter 7 - 監督式學習 - 分類任務（Supervised Learning - Classification）
- 第 9 章 Chapter 8 - 樹狀模型與集成學習（Tree Based Models and Ensemble）
- 第 10 章 Chapter 9 - 無監督學習（Unsupervised Learning）
- 第 11 章 Chapter 10 - 機器學習的其他主題（Topics in Machine Learning）
- 第 12 章 恭喜完成課程！
課程內容
- 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
- 能夠使用 Matplotlib、Seaborn 與 Plotly 等工具繪製各類圖表（長條圖、折線圖、散佈圖等）
- 理解資料視覺化在資料分析中的重要性
- 能夠進行資料探索性分析（EDA），發現資料中的趨勢與異常值
- 熟悉資料清理、轉換、特徵選擇等前處理技巧
- 能夠透過 Python 產生統計數據並解讀其意義
- 理解梯度下降演算法的原理與實作
- 能夠評估模型的效能，包含迴歸任務與分類任務的評估指標(Evaluation metrics)
- 能夠辨識並解釋過擬合與欠擬合的現象
- 了解 Bias-Variance Tradeoff
- 理解正則化（L1、L2）對模型的影響
- 能夠運用交叉驗證（Cross Validation）與超參數調整（Hyperparameter Tuning）提升模型效能
- 熟悉特徵工程（Feature Engineering）與特徵縮放（Feature Scaling）的方法
- 深度了解邏輯迴歸（Logistic Regression）的數學邏輯、模型優化方法
- 了解 K Nearest Neighbors（KNN）模型，並且透過 KD Tree 優化演算法
- 對文字資料使用 Naive Bayes Classifier 實行自然語言處理、文本分類
- 理解混淆矩陣、Accuracy、Recall、Precision、F1 分數等分類評估指標
- 理解集成學習（Bagging、Boosting、Stacking、Voting）的原理
- 了解決策樹（Decision Tree）與隨機森林（Random Forest）的生成與優化過程
- 比較與使用 KMeans, Hierarchical Clustering 與 DBSCAN 演算法
- 理解主成分分析（PCA）等降維技術的應用與優缺點分析
- 能夠說明深度學習的基本概念與常見架構
- 理解機器學習倫理議題（如偏見、可解釋性）
- 理解大型語言模型（如 ChatGPT）的基本架構與原理
- 能夠根據資料特性與問題需求選擇合適的機器學習模型
此課程所涵蓋的技能
評價
-
MMolly Chou
課程很棒，符合需求！老師透過理論的說明與實作練習，讓我可以更了解各種演算法適用的資料型態，也釐清了一些過往不太了解的問題。謝謝老師用心準備課程！也期待老師未來能開深度學習的課程。
-
蔣蔣誠宇
看影片幾天了，所以覺得有必要給個公正好評。我是老師的老學生了～老師其他課也都超棒，但這堂機器學習課真的可以說是我看過最厲害、最強的機器學習課！每個演算法都有很詳細的講解，連公式的推導也都有說明，真的比我大學上同樣主題時學到的內容還多很多。(大學的機器學習課真的是有夠扯。。。。什麼屁都沒有學到，真的超浪費時間)課程裡的 lab 練習也讓我學到很多實作技巧，真的很感謝老師用心規劃這堂課！
