AI 機器學習全攻略：從理論到應用
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！
2
students
38 hours
content
May 2025
last update
$54.99
regular price
What you will learn
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、深度學習的常見演算法
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 的操作（如篩選、排序、合併、分組）
能夠使用 Matplotlib、Seaborn 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
能夠評估回歸模型的效能，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）的基本架構與訓練方式
能夠根據資料特性與問題需求選擇合適的機器學習模型
Course Gallery
Loading charts...
6619511
udemy ID
17/05/2025
course created date
30/05/2025
course indexed date
Bot
course submited by