【免費直播】機器學習百日馬拉松讀書會

AI與機器學習帶來的科技革命正重塑各種產業，如何從龐大的資料數據中篩選出有價值的資訊、建立有效的機器學習模型，進而增加產品與服務的附加價值並發現隱藏的商機，是所有行業從業者需認真思考的課題。
本讀書會基於機器學習百日馬拉松新版課表，提供機器學習學習的初學者全方位指南，透過循序漸進的學習任務。為你建立完整的機器學習自學地圖，包括資料預處理概念、機器學習概論、經典機器學習算法模型、深度學習算法模型、雲服務AI運算介紹，讓重要觀念在範例實作與實務練習的引導下建立清晰輪廓，讓AI為你的工作賦能。

本課程使用專家影音導讀搭配講義與程式範例，幫助同學有效理解機器學習關鍵知識點；很適合基礎打底，想進入機器學習領域的你一定不能錯過 !

本課程是完整涵蓋機器學習全方位知識點地圖的AI自學課程，只要學員有系統的根據本課程學習資料科學與機器學習的知識點，並進行 AI 程式練習，循序漸進持續練習，你將能掌握資料科學基礎與 AI 程式實作能力。

本次讀書會將結合新版的課程升級進行全面專家導讀，原購買課程的用戶可以同時參考新舊版本進行學習，讀書會結束後的課程內容影音導讀將與教材結合，提供學員更完整的資料科學知識點與深度學習模型介紹、以及更全面的機器學習/深度學習演算法介紹，可謂是全台唯一CP值最高的機器學習的自學課程。

本課程從資料科學基礎、資料預處理與特徵工程技術等資料前處理技術開始、再進入機器學習概論、經典機器學習模型與調參教學、人工神經網路與深度學習算法模型等重要學習里程碑，搭配專題實務練習，能夠完成大部分學習任務的學員，我們相信你已經能初步掌握機器學習與深度學習的重要基礎知識與初級實戰能力。

• 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

• 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

• 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
• D44：整體方法 : 堆疊 (Stacking)"
• D45：降維演算法簡介
• D46：主成份分析
• D47：t-SNE
• D48：UMAP
• D49：Model selection

• D50：神經網路模型
• D51：Backpropagation
• D52：Autoencoder

• D53：經典機器學習與深度學習
• D54：多層感知器與激活函數
• D55：電腦視覺的問題
• D56：卷積神經網路
• D57：自然語言處理的問題
• D58：RNN series
• D59：Attention mechanism (self-attention and cross-attention)
• D60：Transformer
• D61：自動化機器學習 - AutoML
• D62：判別模型與生成模型
• D63：Variational Autoencoder
• D64：GAN
• D65：FLOW Model
• D66：Rethink Transformer And Towards Geometric Deep Learning
• D67：圖神經網路