Python3 機器學習簡明教程

Python3 機器學習 簡明教程.png

1 機器學習介紹
    1.1 什麼是機器學習
    1.2 機器學習的應用
    1.3 機器學習基本流程與工作環節
        1.3.1 資料採集與標記
        1.3.2 資料清洗
        1.3.3 特徵選擇
        1.3.4 模型選擇
        1.3.5 訓練和測試
        1.3.6 模型使用
    1.4 機器學習演算法一覽
2 Python 3 機器學習軟體包
    2.1 多種機器學習程式語言比較
    2.2 開發環境 Anaconda 搭建
        2.2.1 Windows
        2.2.2 macOS
        2.2.3 Linux
    2.3 Jupyter Notebook 介紹
    2.4 Spyder 介紹
    2.5 Numpy 介紹
        2.5.1 Numpy 陣列
        2.5.2 Numpy 運算
        2.5.3 Numpy Cheat Sheet
    2.6 Pandas 介紹
        2.6.1 十分鐘入門 pandas
        2.6.2 Pandas Cheat Sheet
    2.7 Matplotilb 介紹
        2.7.1 Pyplot 教程
        2.7.2 plots 示例
        2.7.3 Matplotilb Cheat Sheet
    2.8 scikit-learn 介紹
        2.8.1 scikit-learn 教程
        2.8.2 scikit-learn 介面
        2.8.3 scikit-learn Cheat Sheet
    2.9 資料預處理
        2.9.1 匯入資料集
        2.9.2 缺失資料
        2.9.3 分類資料
        2.9.4 資料劃分
        2.9.5 特徵縮放
        2.9.6 資料預處理模板
3 迴歸
    3.1 簡單線性迴歸
        3.1.1 演算法原理
        3.1.2 預測函式
        3.1.3 成本函式
        3.1.4 迴歸模板
    3.2 多元線性迴歸
    3.3 多項式迴歸
        3.3.1 案例：預測員工薪水
    3.4 正則化
        3.4.1 嶺迴歸
        3.4.2 Lasso 迴歸
    3.5 評估迴歸模型的表現
        3.5.1 R平方
        3.5.2 廣義R平方
        3.5.3 迴歸模型效能評價及選擇
        3.5.4 迴歸模型係數的含義
4 分類
    4.1 邏輯迴歸
        4.1.1 演算法原理
        4.1.2 多元分類
        4.1.3 分類程式碼模板
        4.1.4 分類别範本
    4.2 k-近鄰
        4.2.1 演算法原理
        4.2.2 變種
    4.3 支援向量機
        4.3.1 演算法原理
        4.3.2 二分類線性可分
        4.3.3 二分類線性不可分支援
        4.3.4 多分類支援向量機
        4.3.5 Kernel SVM - 原理
        4.3.6 高維投射
        4.3.7 核技巧
        4.3.8 核函式的型別
    4.4 決策樹
        4.4.1 演算法原理
        4.4.2 剪枝與控制過擬合
        4.4.3 資訊增益
        4.4.4 最大熵與EM演算法
5 聚類
    5.1 扁平聚類
        5.1.1 k 均值
        5.1.2 k-medoids
    5.2 層次聚類
        5.2.1 Single-Linkage
        5.2.2 Complete-Linkage
6 關聯規則
    6.1 關聯規則學習
    6.2 先驗演算法Apriori
    6.3 FP Growth
7 降維
    7.1 PCA(主成分分析)
    7.2 核 PCA
    7.3 等距特徵對映IsoMap
8 強化學習
    8.1 置信區間上界演算法
        8.1.1 多臂老虎機問題
        8.1.2 置信區間上界演算法原理
    8.2 Thompson 抽樣演算法
        8.2.1 抽樣演算法 - 原理
        8.2.2 抽樣演算法 vs. 置信區間上界演算法
9 整合學習
    9.1 Stacking
    9.2 Bagging
        9.2.1 隨機森林
    9.3 Boosting
        9.3.1 XBoost
        9.3.2 LightGBM
        9.3.3 CatBoost
        9.3.4 AdaBoost
10 深度學習
    10.1 什麼是深度學習？
    10.2 人工神經網路ANN
        10.2.1 神經元
        10.2.2 啟用函式
        10.2.3 神經網路如何運作？
        10.2.4 神經網路如何訓練？
        10.2.5 梯度下降
        10.2.6 隨機梯度下降
        10.2.7 反向傳播
        10.2.8 商業案例介紹
    10.3 卷積神經網路CNN
        10.3.1 卷積神經網路是什麼？
        10.3.2 卷積
        10.3.3 線性整流層 ReLU Layer
        10.3.4 最大池化
        10.3.5 扁平化
        10.3.6 全連線
        10.3.7 商業案例介紹
11 概率模型
    11.1 貝葉斯網路
        11.1.1 樸素貝葉斯
        11.1.2 貝葉斯網路與有向分離
        11.1.3 馬爾科夫模型
        11.1.4 實戰案例
    11.2 隱馬科夫鏈模型HMM
        11.2.1 隱馬科夫鏈
        11.2.2 隱馬科夫鏈解法
        11.2.3 隱馬科夫鏈應用
    11.3 主題模型
        11.3.1 主題模型理論
        11.3.2 主題模型演算法
        11.3.3 實戰案例
12 模型選擇和提升
    12.1 交叉驗證
    12.2 網格搜尋
13 專案實戰
    13.1 自然語言處理
        13.1.1 自然語言處理簡介
        13.1.2 NLTK
        13.1.3 正規表示式
        13.1.4 文字清理
        13.1.5 標識化處理
        13.1.6 詞幹提取
        13.1.7 文字分類
        13.1.8 取樣操作
        13.1.9 詞袋
        13.1.10 實戰案例:飯店評論
    13.2 移動 App
        13.2.1 Tensorflow Lite
        13.2.2 Core ML
        13.2.3 圖片風格遷移
        13.2.4 手寫數字識別
    13.3 Kaggle專案
        13.3.1 波士頓房價
        13.3.2 泰坦尼克
        13.3.3 車價預測
        13.3.4 Facebook招聘

2019-01-07