聚沙成塔

機器學習流程及方法

機器學習流程

學習方法（如：梯度下降 Gradient Descent）

模型效能評估（如：交叉驗證法）

資料預處理

資料標準化

One-hot Encoding/Label Encoding

特徵選擇（如：最大化資訊增益）

特徵降維（如：PCA）

監督式學習 – 迴歸

（使用Scikit-Learn）

線性與非線性迴歸

多項式迴歸

決策樹迴歸（Decision Tree Regression）

隨機森林迴歸（Random Forest Regression）

迴歸模型評估（如：MSE、R Square）

過適（Overfitting）/Underfitting 處理

監督式學習 – 分類

（使用Scikit-Learn）

羅吉斯迴歸（Logistic Regression）

樸素貝葉斯分類器（Naïve Bayes Classifier）

支持向量機（Support Vector Machine, SVM）

決策分類樹（Decision Tree Classifier）

隨機森林分類（Random Forest Classifier）

K最近鄰（KNN）

決策邊界

分類模型評估（如：Confusion Matrix、F1 score）

過適（Overfitting）/Underfitting 處理

非監督式學習 – 分群

（使用Scikit-Learn）

K-means

進階K-means

階層式集群（Hierarchical Clustering）

特殊非圓狀集群（如：DBSCAN）

分群效果評估

類神經網路 及

Python深度學習套件介紹

神經元（Neuron）

感知器（Perceptron）

類神經網路（Neural Network）

深度學習流程

Keras、Tensorflow、Theano介紹

深度學習（使用Keras）

多層神經網路（Multilayer Neural Network, MLP）

卷積神經網路（Convolution Neural Network, CNN）

遞迴神經網路（Recurrent Neural Network, RNN）

長短期記憶（Long-Short Term Memory, LSTM）

使用GPU加速訓練

模型評估

過適（Overfitting）處理（如：Dropout、Regularization）

TensorFlow

What is tensor?

矩陣運算

使用TensorBoard視覺化

羅吉斯迴歸（Logistic Regression）

線性迴歸（Linear Regression）

多層神經網路（Multilayer Neural Network, MLP）

卷積神經網路（Convolution Neural Network, CNN）

遞迴神經網路（Recurrent Neural Network, RNN）

使用GPU加速訓練

模型評估

現代機器學習

與深度學習方法技術導論

增強式學習（Reinforcement Learning）

轉移學習（Transfer Learning）

生成對抗網路（Generative Adversarial Network, GAN）