主題 |
內容 |
Introduction to Machine Learning
|
1. 何謂機器學習?
2. 機器學習的核心與框架
3. 機器學習的種類? 監督式學習? 非監督式學習? 強化學習?..
4. 為什麼要分訓練資料集與測試資料集?
5. 模型複雜度與資料複雜度 |
Machine Learning I: Regression & Classification |
1. 機器學習實作是以Scikit Learn為主,以線性迴歸 (Linear Regression)為出發點, 帶你深入淺出迴歸模型與分類問題 (Classification)
2. Linear binary classification、羅吉斯迴歸(Logistic Regression)、 支持向量機(Support Vector Machine)、Kernel method 評估機器學習模型的學習效果
3. 損失函數(Loss Function)、均方根誤差(RMSE)、 梯度下降法(Gradient Descent)、如何縮小RMSE? 模型與參數的選擇
4. 判斷模型預測能力的指標 混淆矩陣、準確率 (Accuracy)、精準度(Precison)、召回率(Recall)、F-分數 (F-Score)、ROC曲線、AUC
|
Machine Learning II: Model evaluation
|
1. 什麼是Overfitting?
2. 如何避免 Overfitting? Regularization 技巧
3. 如何挑選好的模型? 交叉驗證法(Cross Validation) |
Machine Learning III: Clustering
|
分群 (Clustering)
K-means o K-medoids
Hierarchical clustering
DBSCAN |
Machine Learning IV: Ensemble learning
|
1. Bagging
2. 決策樹 (Decision tree)
3. 剪枝演算法
4. 隨機森林 (Random forest) |
Machine Learning V: Feature engineering & Dimensional reduction |
特徵工程的應用技術:遺失值處理、特徵縮放、轉換、建構、組合、萃取 降維演算法與應用:PCA、MDS、tSNE、應用 |
Machine Learning VI: Deep learning fundations |
1. Autoencoder
2. CNN
3. RNN |