機器學習CP值最高的自學挑戰課 - 機器學習百日馬拉松 - Cupoy

機器學習百日馬拉松

對初學者來說，要進入 AI 與資料科學的領域並不容易，除了程式基礎，還需要有數學與統計的相關知識，一般人往往在這兩個關卡中敗下陣來，透過親身實作，自主學習才能真正掌握 AI 與資料科學的學習精髓。

• Part 1. 資料科學基礎

  • D1：資料科學為人工智慧的第一步

  • D2：上手資料科學

  • D3：資料介紹與評估資料

  • D4：EDA－欄位的資料類型介紹及處理

  • D5：EDA－讀取資料與分析流程

  • D6：資料視覺化基本功

  • D7：視覺化更多圖表的技巧

  • D8：特徵工程簡介

  • D9：DataFrame operationData frame merge/常用的 DataFrame 操作

  • D10：EDA－Outlier 及去除離群值

  • D11：連續變數之特徵工程

  • D12：類別變數之特徵工程

  • D13：特徵挑選技巧

  • D14：特徵組合與特徵評估

  • D15：時間型資料的特徵工程

• Part 2. 機器學習概論

  • D16：什麼是機器學習？為何機器可以學習？

  • D17：機器如何學習？

  • D18：模型初體驗

  • D19： regression vs. classification

  • D20： 再探線性迴歸

  • D21：模型訓練

  • D22： 訓練/測試集切分的概念

  • D23： 評估指標選定/evaluation metrics

  • D24：過擬合與欠擬合

  • D25：非監督式機器學習簡介

• Part 3. 經典機器學習模型

  • D26： regression model 介紹 - 線性迴歸/邏輯斯迴歸

  • D27： regression model 程式碼撰寫

  • D28：regression model 介紹 - Lasso 迴歸/ Ridge 迴歸

  • D29： Lasso 迴歸/ Ridge 迴歸程式碼撰寫

  • D30：支撐向量機介紹

  • D31：支撐向量機 - 非線性轉換與Kernel trick

  • D32：支撐向量機 - soft-margin SVM

  • D33：非監督式學習學習 - 分群算法/K-Means 分群

  • D34：分群算法 - K-means 分群評估 : 使用輪廓分析

  • D35：分群算法 - 階層式分群 Hierarchical Clustering

  • D36： 分群算法 - 階層分群法 觀察：使用 2D 樣板資料集

  • D37：tree based model - 決策樹 (Decision Tree) 模型介紹

  • D38：tree based model - 決策樹程式碼撰寫

  • D39：整體方法 : 混合 (Blending)

  • D40：tree based model - 隨機森林 (Random Forest) 介紹

  • D41：tree based model - 隨機森林程式碼撰寫

  • D42：tree based model - 梯度提升機 (Gradient Boosting Machine) 介紹

  • D43：tree based model - 梯度提升機程式碼撰寫

  • D45：降維演算法簡介

  • D46：主成份分析 PCA

  • D49：Model selection

• Part 1. 資料科學基礎

  • D1：資料科學為人工智慧的第一步

  • D2：上手資料科學

  • D3：資料介紹與評估資料

  • D4：EDA－欄位的資料類型介紹及處理

  • D5：EDA－讀取資料與分析流程

  • D6：資料視覺化基本功

  • D7：視覺化更多圖表的技巧

  • D8：特徵工程簡介

  • D9：DataFrame operationData frame merge/常用的 DataFrame 操作

  • D10：EDA－Outlier 及去除離群值

  • D11：連續變數之特徵工程

  • D12：類別變數之特徵工程

  • D13：特徵挑選技巧

  • D14：特徵組合與特徵評估

  • D15：時間型資料的特徵工程

• Part 2. 機器學習概論

  • D16：什麼是機器學習？為何機器可以學習？

  • D17：機器如何學習？

  • D18：模型初體驗

  • D19： regression vs. classification

  • D20： 再探線性迴歸

  • D21：模型訓練

  • D22： 訓練/測試集切分的概念

  • D23： 評估指標選定/evaluation metrics

  • D24：過擬合與欠擬合

  • D25：非監督式機器學習簡介

• Part 3. 經典機器學習模型

  • D26： regression model 介紹 - 線性迴歸/邏輯斯迴歸

  • D27： regression model 程式碼撰寫

  • D28：regression model 介紹 - Lasso 迴歸/ Ridge 迴歸

  • D29： Lasso 迴歸/ Ridge 迴歸程式碼撰寫

  • D30：支撐向量機介紹

  • D31：支撐向量機 - 非線性轉換與Kernel trick

  • D32：支撐向量機 - soft-margin SVM

  • D33：非監督式學習學習 - 分群算法/K-Means 分群

  • D34：分群算法 - K-means 分群評估 : 使用輪廓分析

  • D35：分群算法 - 階層式分群 Hierarchical Clustering

  • D36： 分群算法 - 階層分群法 觀察：使用 2D 樣板資料集

  • D37：tree based model - 決策樹 (Decision Tree) 模型介紹

  • D38：tree based model - 決策樹程式碼撰寫

  • D39：整體方法 : 混合 (Blending)

  • D40：tree based model - 隨機森林 (Random Forest) 介紹

  • D41：tree based model - 隨機森林程式碼撰寫

  • D42：tree based model - 梯度提升機 (Gradient Boosting Machine) 介紹

  • D43：tree based model - 梯度提升機程式碼撰寫

  • D45：降維演算法簡介

  • D46：主成份分析 PCA

  • D49：Model selection

• Part 1. 資料科學基礎

  • D1：資料科學為人工智慧的第一步

  • D2：上手資料科學

  • D3：資料介紹與評估資料

  • D4：EDA－欄位的資料類型介紹及處理

  • D5：EDA－讀取資料與分析流程

  • D6：資料視覺化基本功

  • D7：視覺化更多圖表的技巧

  • D8：特徵工程簡介

  • D9：DataFrame operationData frame merge/常用的 DataFrame 操作

  • D10：EDA－Outlier 及去除離群值

  • D11：連續變數之特徵工程

  • D12：類別變數之特徵工程

  • D13：特徵挑選技巧

  • D14：特徵組合與特徵評估

  • D15：時間型資料的特徵工程

• Part 2. 機器學習概論

  • D16：什麼是機器學習？為何機器可以學習？

  • D17：機器如何學習？

  • D18：模型初體驗

  • D19： regression vs. classification

  • D20： 再探線性迴歸

  • D21：模型訓練

  • D22： 訓練/測試集切分的概念

  • D23： 評估指標選定/evaluation metrics

  • D24：過擬合與欠擬合

  • D25：非監督式機器學習簡介

• Part 3. 經典機器學習模型

  • D26： regression model 介紹 - 線性迴歸/邏輯斯迴歸

  • D27： regression model 程式碼撰寫

  • D28：regression model 介紹 - Lasso 迴歸/ Ridge 迴歸

  • D29： Lasso 迴歸/ Ridge 迴歸程式碼撰寫

  • D30：支撐向量機介紹

  • D31：支撐向量機 - 非線性轉換與Kernel trick

  • D32：支撐向量機 - soft-margin SVM

  • D33：非監督式學習學習 - 分群算法/K-Means 分群

  • D34：分群算法 - K-means 分群評估 : 使用輪廓分析

  • D35：分群算法 - 階層式分群 Hierarchical Clustering

  • D36： 分群算法 - 階層分群法 觀察：使用 2D 樣板資料集

  • D37：tree based model - 決策樹 (Decision Tree) 模型介紹

  • D38：tree based model - 決策樹程式碼撰寫

  • D39：整體方法 : 混合 (Blending)

  • D40：tree based model - 隨機森林 (Random Forest) 介紹

  • D41：tree based model - 隨機森林程式碼撰寫

  • D42：tree based model - 梯度提升機 (Gradient Boosting Machine) 介紹

  • D43：tree based model - 梯度提升機程式碼撰寫

  • D45：降維演算法簡介

  • D46：主成份分析 PCA

  • D49：Model selection