個人報名
教室租借
學員須知
上課地點
證書申請
會員註冊
回首頁
自強課程
課程名稱
【勞動力發展署補助80%】Python語言之機器學習實務班 (學員需具備Python程式設計基礎)
熱烈招生中
詳見修課條件
在目前資訊業界人工智慧人才需求孔急之下，「機器學習（Machine Learning）」這門學問，就變成想踏入人工智慧程式設計領域的入門磚。想要學會它，必須有線性代數、微積分、機率統計這三門學問，當成背景。才有辦法看懂機器學習背後的數學模型，進而寫出正確的程式碼。
此外，大部分的機器學習原始碼，強烈倚賴 NumPy、Pandas、Matplotlib、與 SciPy 這幾個 Python 套件。一些市售書籍、或坊間課程，僅把它們當成一種「工具」，認為與機器學習核心知識相關程度不高，而略過不提。
不論是被當成「背景知識」的數學，或者是常常「略過不提」的各種 Python 相關套件，都成了自修「機器學習」這門課程極高的門檻。本課程設計時，特別針對這兩個「痛點」，先設計一個獨立的章節，詳細講解 NumPy、Pandas、Matplotlib、與 SciPy 這四個套件。此外，在講解各種機器學習演算法之前，一定用最淺顯易懂的方式，將它背後的數學模型清楚解說。讓您就算數學底子不好，也能學會機器學習各種演算法！
除了解說背後原理之外，每個演算法必定搭配一個以上的實例講解！並佐以「乳癌預測」、「男聲／女聲辨識」、「某人離職機率高嗎」、「信用卡客戶貢獻度預測」...等數十個課後作業，強勢練習！讓您學完之後，馬上把技巧固定在腦海裡，久久不忘！
更棒的是，本課程獨家提供講師針對各種機器學習演算法，自製的「快樂版函式庫」！讓別人用數十行寫出來的機器學習原始碼，您用一行就搞定！效率 UP！
如果您也想乘上這波「人工智慧」的浪潮，讓自己變成炙手可熱的人才，歡迎您來參加這門課程！相信您上完後，一定會對於自己能看懂市面上大部分的機器學習書籍，而雀躍不已！並且成為各公司，強烈爭取的對象！
此外，大部分的機器學習原始碼，強烈倚賴 NumPy、Pandas、Matplotlib、與 SciPy 這幾個 Python 套件。一些市售書籍、或坊間課程，僅把它們當成一種「工具」，認為與機器學習核心知識相關程度不高，而略過不提。
不論是被當成「背景知識」的數學，或者是常常「略過不提」的各種 Python 相關套件，都成了自修「機器學習」這門課程極高的門檻。本課程設計時，特別針對這兩個「痛點」，先設計一個獨立的章節，詳細講解 NumPy、Pandas、Matplotlib、與 SciPy 這四個套件。此外，在講解各種機器學習演算法之前，一定用最淺顯易懂的方式，將它背後的數學模型清楚解說。讓您就算數學底子不好，也能學會機器學習各種演算法！
除了解說背後原理之外，每個演算法必定搭配一個以上的實例講解！並佐以「乳癌預測」、「男聲／女聲辨識」、「某人離職機率高嗎」、「信用卡客戶貢獻度預測」...等數十個課後作業，強勢練習！讓您學完之後，馬上把技巧固定在腦海裡，久久不忘！
更棒的是，本課程獨家提供講師針對各種機器學習演算法，自製的「快樂版函式庫」！讓別人用數十行寫出來的機器學習原始碼，您用一行就搞定！效率 UP！
如果您也想乘上這波「人工智慧」的浪潮，讓自己變成炙手可熱的人才，歡迎您來參加這門課程！相信您上完後，一定會對於自己能看懂市面上大部分的機器學習書籍，而雀躍不已！並且成為各公司，強烈爭取的對象！
課程代碼：
09C050
上課時間：
109/11/17~12/17二四晚上18:50~21:50 共30小時
上課時數：
30 小時
上課地點：
課程費用：
4800元
(符合超值優惠價格者需送出報名表後，系統發出報名成功回函確認金額。)
課程目標：
能理解機器學習各種演算法的運作原理。
能根據不同問題，挑選正確的機器學習演算法。
能用 Python 實作出機器學習演算法，並解決問題。
能知道如何優化機器學習程式，使之效能更佳。
撰寫出能根據各種資料，神奇預測未來趨勢的原始程式碼。
能根據不同問題，挑選正確的機器學習演算法。
能用 Python 實作出機器學習演算法，並解決問題。
能知道如何優化機器學習程式，使之效能更佳。
撰寫出能根據各種資料，神奇預測未來趨勢的原始程式碼。
修課條件：
已經學會 Python、想跨入人工智慧領域的學員。
自學機器學習，但苦於數學理論難以理解、無法入門的朋友。
Python 程式語言。
對高中數學有一定的概念（尤以「矩陣運算」、「微分=0 有極值」、「N 元一次函數幾何圖形」等）。
自學機器學習，但苦於數學理論難以理解、無法入門的朋友。
Python 程式語言。
對高中數學有一定的概念（尤以「矩陣運算」、「微分=0 有極值」、「N 元一次函數幾何圖形」等）。
課程大綱：
0 課程介紹
0.1 講師介紹
0.2 課程大綱
0.3 先修知識
0.4 參考書籍
1 機器學習簡介
1.1 人工智慧簡史
1.2 人工智慧各領域的關係
1.3 機器如何學習
1.4 機器學習要會的數學基礎
1.5 機器學習解題手法種類
1.6 機器學習應用領域
2 環境安裝
2.1 機器學習所需工具
2.2 安裝 Anaconda
2.3 Anaconda 環境介紹 ＆ 試用
2.4 Anaconda 除錯的方法
2.5 外掛套件的安裝方法
3 常用外掛套件
3.1 NumPy 套件介紹：簡介，建立、讀寫陣列，產生樣本點，切片，統計量計算，四則運算
3.2 Pandas 套件介紹：建立，切片，抓取外部資料
3.3 Matplotlib 套件介紹：繪製折線圖、長條圖、散佈圖...等
3.4 SciPy 套件介紹：線性代數、工程數學、微積分運算套件
4 資料前處理
4.1 載入資料集
4.2 切分自變數、應變數
4.3 處理缺失資料
4.4 類別資料數位化
4.5 切分訓練集、測試集
4.6 特徵縮放
5 迴歸（Regression）演算法
5.1 「迴歸」簡介
5.2 簡單線性迴歸
5.3 線性迴歸成立前提
5.4 多元線性迴歸
5.5 多項式線性迴歸
5.6 邏輯迴歸
6 單純貝氏分類器（Naïve Bayes Classifier）
6.1 理論說明
6.2 實例講解
7 支援向量機（Support Vector Machine）
7.1 理論說明
7.2 資料前處理
7.3 與「單純貝氏」對比
7.4 實作支援向量機
7.5 參數優化的方法
8 決策樹（Decision Tree）
8.1 原理解說
8.2 資料前處理
8.3 實作決策樹
8.4 將決策樹視覺化
9 隨機森林（Random Forest）
9.1 原理解說
9.2 資料前處理
9.3 實作隨機森林
9.4 PCA 降維
10 K 平均集群法（K-Means Clustering）
10.1 原理解說
10.2 資料前處理
10.3 實作 K 平均法
10.4 將結果視覺化
11 神經網路（Neural Networks）
11.1 感知器原理解說
11.2 人工神經網路原理解說
11.3 環境安裝
11.4 二選一分類問題：蘑菇可吃嗎
11.5 多選一分類問題：鳶尾花分類
11.6 迴歸問題：50 家企業投資
0.1 講師介紹
0.2 課程大綱
0.3 先修知識
0.4 參考書籍
1 機器學習簡介
1.1 人工智慧簡史
1.2 人工智慧各領域的關係
1.3 機器如何學習
1.4 機器學習要會的數學基礎
1.5 機器學習解題手法種類
1.6 機器學習應用領域
2 環境安裝
2.1 機器學習所需工具
2.2 安裝 Anaconda
2.3 Anaconda 環境介紹 ＆ 試用
2.4 Anaconda 除錯的方法
2.5 外掛套件的安裝方法
3 常用外掛套件
3.1 NumPy 套件介紹：簡介，建立、讀寫陣列，產生樣本點，切片，統計量計算，四則運算
3.2 Pandas 套件介紹：建立，切片，抓取外部資料
3.3 Matplotlib 套件介紹：繪製折線圖、長條圖、散佈圖...等
3.4 SciPy 套件介紹：線性代數、工程數學、微積分運算套件
4 資料前處理
4.1 載入資料集
4.2 切分自變數、應變數
4.3 處理缺失資料
4.4 類別資料數位化
4.5 切分訓練集、測試集
4.6 特徵縮放
5 迴歸（Regression）演算法
5.1 「迴歸」簡介
5.2 簡單線性迴歸
5.3 線性迴歸成立前提
5.4 多元線性迴歸
5.5 多項式線性迴歸
5.6 邏輯迴歸
6 單純貝氏分類器（Naïve Bayes Classifier）
6.1 理論說明
6.2 實例講解
7 支援向量機（Support Vector Machine）
7.1 理論說明
7.2 資料前處理
7.3 與「單純貝氏」對比
7.4 實作支援向量機
7.5 參數優化的方法
8 決策樹（Decision Tree）
8.1 原理解說
8.2 資料前處理
8.3 實作決策樹
8.4 將決策樹視覺化
9 隨機森林（Random Forest）
9.1 原理解說
9.2 資料前處理
9.3 實作隨機森林
9.4 PCA 降維
10 K 平均集群法（K-Means Clustering）
10.1 原理解說
10.2 資料前處理
10.3 實作 K 平均法
10.4 將結果視覺化
11 神經網路（Neural Networks）
11.1 感知器原理解說
11.2 人工神經網路原理解說
11.3 環境安裝
11.4 二選一分類問題：蘑菇可吃嗎
11.5 多選一分類問題：鳶尾花分類
11.6 迴歸問題：50 家企業投資
課程師資：
紀俊男
主辦單位:
勞動部勞動力發展署北基宜花金馬分署
協辦單位:
財團法人自強工業科學基金會
學員須知：
注意事項
請務必點開下圖，可以看得更清楚
