今天將學習 Keras 與 TensorFlow 這兩個深度學習框架，瞭解其功能與特性，並建立你的第一個簡單神經網路。Keras 是一個高層介面，讓 TensorFlow 的使用變得更直觀、友好，適合初學者快速上手。 課程目標 瞭解 Keras 與 TensorFlow 的定位與特性。 使用 Keras 實作簡單的神經網路模型。 瞭解 TensorFlow 的基本運作方式...

今天的課程將帶你深入了解神經網路的基本結構與工作原理，為後續學習更複雜的深度學習模型打下堅實的基礎。神經網路模仿了生物神經系統的工作方式，通過層與節點構建一個可訓練的模型。 課程目標 掌握神經網路的基本結構與組成要素。 理解神經網路的運算流程，包括前向傳播與反向傳播。 能夠使用 Python 建立簡單的全連接神經網路。 課程內容 1. 神經網路的組成部分 1....

今天的課程將帶領大家進入深度學習的世界，了解深度學習的核心概念與基礎原理。深度學習是人工智慧與機器學習中的重要分支，透過多層神經網路模擬人類大腦的學習方式。 課程目標 了解深度學習的基本概念與運作原理。 掌握神經網路的核心組成部分與工作流程。 初步認識反向傳播與梯度下降演算法。 課程內容 1. 深度學習的概念 1.1 深度學習是什麼？ 深度學習是一種基於人工神...

今天，我們將結合前幾天學習的資料分析與機器學習知識，完成一個小型專案：利用回歸模型預測房價。這是機器學習中的一個經典案例，適合初學者了解數據處理、特徵選擇與模型訓練的完整流程。 課程目標 熟悉機器學習專案的基本流程：數據處理、建模、評估。 使用 Scikit-learn 實作回歸模型（線性迴歸與隨機森林）。 進一步強化對數據分析與機器學習模型的理解。 課程內容 ...

建立模型後，正確的評估方法能幫助我們了解模型的性能並優化其效果。今天我們將學習如何使用模型評估指標和交叉驗證技術來提升模型的準確性與穩定性。 課程目標 了解常用的模型評估指標（分類與迴歸）。 學會如何進行交叉驗證以檢查模型的穩定性。 實作範例，對模型進行評估與改進。 課程內容 1. 模型評估指標 1.1 分類模型指標 準確率（Accuracy）...

決策樹和隨機森林是強大的機器學習模型，廣泛應用於分類和迴歸問題。今天，我們將學習這兩種方法的基本原理與實現，並了解它們的優勢與局限性。 課程目標 掌握決策樹的基本概念與建構過程。 學會使用隨機森林進行分類與迴歸。 理解隨機森林的優勢及其與決策樹的區別。 課程內容 1. 決策樹 1.1 核心概念 決策樹是基於樹狀結構的模型，通過將數據逐步劃分成不同的子集來進行決...

分類模型是機器學習中用於處理分類問題的重要工具，今天我們將學習最近鄰居法（K-Nearest Neighbors, KNN）和支持向量機（Support Vector Machine, SVM）這兩種常見的分類方法。 課程目標 了解 KNN 和 SVM 的基本概念與工作原理。 學習如何使用 Scikit-learn 實現 KNN 和 SVM。 比較兩種模型的特性與應用場景...

線性迴歸是機器學習中最基礎的監督學習方法之一，廣泛用於處理迴歸問題（即預測連續值的問題）。今天，我們將學習線性迴歸的基本概念、數學原理、如何在 Python 中實現，以及它的應用與局限性。 課程目標 了解線性迴歸的基本概念與數學基礎。 學會使用 Scikit-learn 建立和評估線性迴歸模型。 探索線性迴歸的實際應用場景與潛在局限性。 課程內容 1. 線性迴歸...

機器學習的核心方法可以分為監督學習與非監督學習，這兩種方法適用於不同的數據類型與問題場景。今天我們將探索它們的基本概念、應用場景，以及簡單的 Python 實作範例。 課程目標 理解監督學習與非監督學習的核心概念與區別。 瞭解常見演算法及其應用場景。 實作簡單的監督學習和非監督學習模型。 課程內容 1. 監督學習（Supervised Learning） 1....

機器學習（Machine Learning，簡稱 ML）是人工智慧的核心技術之一，通過從數據中學習模式，讓計算機能自動完成任務，而無需明確編程。本課程將帶你了解機器學習的基本概念、主要類型及其在現實中的應用。 課程目標 了解機器學習的基本概念與原理。 認識機器學習的三大類型：監督式學習、非監督式學習、強化學習。 瞭解機器學習在日常生活中的應用場景。 課程內容 1...