課程資訊

二、什麼是機器學習？
2.1 機器學習的類型
2.2 機器學習系統的建構準則
2.3 Python程式開發環境安裝與設定

三、類神經網路
3.1 神經元結構
3.2(I) 多層感知網路（MLP）概念
3.2(II) 多層感知網路（MLP）概念
3.3 MLP模型架構

四、MLP案例實作
4.1 MNIST手寫字資料集介紹
4.2 MLP模型建置流程
4.3 MLP模型訓練與評估

五、卷積式神經網路
5.1 影像卷積處理概念
5.2 卷積式神經網路（CNN）概念
5.3 CNN模型架構
5.4 CNN經典模型介紹

六、CNN影像辨識案例實作
6.1 Cifar-10資料集介紹
6.2 CNN模型建置流程
6.3 CNN模型訓練與評估
6.4 常用的OpenCV影像處理功能介紹

七、資料處理工具介紹
7.1 資料視覺化工具：Numpy
7.2 資料處理工具(I)：Pandas
7.3 資料處理工具(II)：Matplotlib

八、MLP數據分析案例實作
8.1 Iris(鳶尾花)資料集介紹
8.2 MLP模型建置流程
8.3 MLP模型訓練與評估

九、監督式學習
9.1 決策樹與隨機森林(Random Forest, RF)
9.2 羅吉斯迴歸(Logistic Regression, LR)
9.3 支援向量機(Support Vector Machine, SVM)
9.4 K-近鄰演算法(k-Nearest Neighbor, KNN)
9.5 貝氏分類器(Naive Bayes Classification)

十、機器學習工具
10.1 Scikit-learn Logistic Regression
10.2 Scikit-learn Random Forest Classifier
10.3 Scikit-learn Support Vector Classifier
10.4 Scikit-learn Kneighbors Classifier
10.5 Scikit-learn GaussianNB和MultinomialNB

十一、監督式學習實作(I)
11.1 威斯康辛乳癌數據集介紹
11.2 LR模型建置流程
11.3 RF模型建置流程

十二、監督式學習實作(II)
12.1 SVC模型建置流程
12.2 裝袋法Bagging整體學習
12.3 投票法Voting整體學習

十三、非監督式學習
13.1 K-mean分群法
13.2 K-Means實作
13.3 DBSCAN分群法
13.4 DBSCAN實作