- 本課程是以財團法人中華民國電腦技能基金會（CSF）的「TQC+ 人工智慧-機器學習認證」為範疇，技能規範及試題命製，符合教育部課綱之規劃，共分為三大類別，循序漸進，由淺入深建立學員運用機器學習解決問題的基本概念。
- 學習機器學習，可以讓您初窺現代人工智慧技術由資料中學習建立模型，進行分類、預測以解決問題，逐步邁向人工智慧實用學習技術，提高洞察力、反應力。
這門課內容豐富，提供了各種機器學習模型，同學只要根據所面對問題（或是想要探索的資料集形式）選取適當的範例（模型）來改寫，就可以找到實際問題的解法，可以簡單入手人工智慧，解決實務問題。授課老師擁有超過 30 年的教學經驗，將帶領同學由零學起，掌握人工智慧-機器學習實務應用技術。
課程單元規劃
章節一：AI與機器學習基礎（共計 110 分鐘）
介紹 AI 與機器學習概念、機器學習過程，讓學員了解 AI 與機器學習發展現況，並能掌握機器學習的完整過程，包含機器學習概念、處理加州房價資料、乳癌預測資料集、正規化改善、波士頓房價資料集超參數調整等範例。
單元 1：AI 簡史（投影片講課）單元 2：AI 常見的應用（投影片講課）單元 3：機器學習概念（投影片講課）單元 4：資料前處理－訓練、測試、驗證集（螢幕側錄操作畫面） 單元 5：模型優化（螢幕側錄操作畫面）單元 6：過擬合（Over-fitting）/ 欠擬合（Under-fitting）（螢幕側錄操作畫面）單元 7：正規化改善 Overfitting （螢幕側錄操作畫面）單元 8：超參數調整（Regularization Hyperparameters）（螢幕側錄操作畫面) 預定有 2 個作業（資料前處理、解決過擬合）
章節二：監督式學習基礎與應用（共計 190 分鐘）
以實例介紹常見的各種監督式學習的模式與應用，包括鳶尾花資料集分類、鐵達尼號生存預測、寶可夢屬性分類、紅酒資料集決策樹分類、汽車品質預測、分類器比較、NBA 資料集線性迴歸預測、糖尿病預測、SVM 迴歸、房屋實價登錄資料集迴歸模型等範例。
單元 1：分類（Classification） (螢幕側錄操作畫面)單元 2：羅吉斯迴歸（Logistic Regression）(螢幕側錄操作畫面)單元 3：支持向量機分類（Linear SVM Classification）(螢幕側錄操作畫面) 單元 4：決策樹（Decision Trees）(螢幕側錄操作畫面) 單元 5：隨機森林（Random Forests）(螢幕側錄操作畫面) 單元 6：分類演算法比較（螢幕側錄操作畫面）單元 7：線性迴歸（Linear Regression）(螢幕側錄操作畫面) 單元 8：支持向量機迴歸（SVM Regression）(螢幕側錄操作畫面)單元 9：迴歸演算法比較（螢幕側錄操作畫面）預定有 2 個作業（分類、迴歸 )
章節三：非監督式學習基礎與應用（共計 140 分鐘）
以實例介紹常見的各種監督式學習的模式與應用，包括降維、分群的應用模型，有鳶尾花資料集 PCA、手寫數字分群、估算集群數量、股票資料集股性分群等範例。
單元 1：降維（螢幕側錄操作畫面）（使用 Iris 資料集)單元 2：主成分分析（Principal Component Analysis, PCA）（螢幕側錄操作畫面) 單元 3：核心主成分分析（Kernel PCA）(螢幕側錄操作畫面）單元 4：局部線性嵌入（Locally Linear Embedding, LLE）（螢幕側錄操作畫面) 單元 5：分群 （螢幕側錄操作畫面）單元 6：K-平均演算法（K-Means）（螢幕側錄操作畫面）單元 7：DBSCAN 群聚演算法（螢幕側錄操作畫面）單元 8：階層式分群（Hierarchical Clustering）（螢幕側錄操作畫面）單元 9：affinity propagation 分群 （螢幕側錄操作畫面）預定有 2 個作業（降維、分群）
章節四：機器學習應用（共計 130 分鐘）
以實例介紹常見的機器學習應用，包括自然語言處理、經典案例應用，有 IMDB 找出評論重要單詞、IMDB 情感分析、MNIST 手寫辨識、波士頓房價資料集模型複雜度影響、鳶尾花品種 KNN 預測、寶可夢資料集分類應用等範例。
單元 1：使用 tf-idf 進行文章中單詞重要性解析 （螢幕側錄操作畫面）單元 2：情感分析（螢幕側錄操作畫面）單元 3：MNIST 手寫辨識（螢幕側錄操作畫面）單元 4：波士頓房價（螢幕側錄操作畫面）單元 5：鳶尾花（螢幕側錄操作畫面）單元 6：整體學習（Ensemble learning）進行分類及預測 (螢幕側錄操作畫面）預定有 2 個作業（自然語言處理、機器學習經典案例應用）
課程搶先試看
