AI 人工智能：機器學習（Machine Learning）理論到應用

你對資料科學、人工智能、機器學習有興趣嗎？未來的世界很可能將由 AI 技術驅動，無論是資訊、醫療、金融、零售還是日常生活，人工智慧都將扮演關鍵角色。如果你對資料科學、人工智能和機器學習等領域有興趣，卻不知道從哪裡開始，本課程將是你進入 AI 領域的最佳起點！學習機器學習不僅需要動手寫程式，更需要紮實的數學基礎。因此，本課程特別強調「理論與實作並重」：你不僅會學到每個演算法背後的數學原理，還會學會如何用 Python 及主流資料科學套件將這些理論落實到實際應用中。無論你是理論數學派還是實戰應用派，都能在這門課找到屬於自己的學習重點！這堂課程的內容會循序漸進，涵蓋以下主題：1. 從零開始，熟悉和學習以下常見的資料科學套件，並且從統計分析、資料可視化到探索式資料分析（Exploratory Data Analysis），全面理解資料背後的故事。運用統計方法發掘資料中的關鍵特徵，並透過各種視覺化工具將複雜的數據轉化為直觀易懂的圖像，快速掌握資料的分布、趨勢與潛在關係。NumPyPandasMatplotlibSeabornPlotly2. 監督式學習：詳細介紹回歸與分類模型，理解以下模型的數學推導、損失函數設計方法、模型訓練與優化流程、模型差異比較、評估指標，並學會如何透過超參數調整來選擇最佳模型：線性迴歸（Linear Regression）多項式迴歸（Polynomial Regression）邏輯迴歸（Logistic Regression）K-近鄰演算法（K Nearest Neighbors）Naive Bayes Classifier支援向量機（Support Vector Machine）決策樹（Decision Tree）隨機森林（Random Forest）自適應增強（AdaBoost）梯度提升技術（Gradient Boosting）XGBoost3. 無監督學習：了解以下每種無監督學習的模型運作原理、數學推導、適用場景與限制，並透過實際案例操作，讓你掌握如何在不同資料型態下選擇合適的演算法。KMeans ClusteringHierarchical Agglomerative ClusteringDBSCAN主成份分析（Principal Component Analysis）4. 了解機器學習中的其他重要概念，包含：梯度下降演算法（Gradient Descent Algorithm）反向傳播演算法（Back Propagation Algorithm）Overfitting 與 UnderfittingBias-Variance Tradeoff模型訓練的問題處理方法L1, L2 正則化規