最新目錄光碟
國小.國中.高中教學
線上課程綜合教學
電子書綜合教學
公職國考.研究所(單科)
公職國考就業(套裝)
專業繪圖軟體
程式軟體光碟
|
您現在的位置：網站首頁
專業知識教學
Udemy線上課程綜合教學
光碟詳情
|
|
| 商品編號： | DUE4217-3 |
|
| 商品名稱： | Udemy線上課程 AI 人工智能：機器學習（Machine Learning）理論到應用 講師:瞭解更多 影音教學 中文發音 |
|
| 商品分類： | Udemy線上課程綜合教學 |
|
| 語系版本： | 中文發音 繁體中文版 | |
| 商品類型： | Machine Learning | |
| 運行平台： | 官方原版畫質MP4檔,沒有任何平台限制,終身使用 | |
| 更新日期： | 2026-08-20 |
|
| 光碟片數： | 3片DVD光碟 |
|
| 銷售價格： | $600元 |
|
| 熱門標籤： | Udemy線上課程
| |
|
|
Udemy線上課程 AI 人工智能：機器學習（Machine Learning）理論到應用 講師:瞭解更多 影音教學 中文發音 繁體中文版(3DVD)
你對資料科學、人工智能、機器學習有興趣嗎？未來的世界很可能將由 AI 技術驅動，無論是資訊、醫療、金融、零售還是日常生活，人工智慧都將扮演關鍵角色。
如果你對資料科學、人工智能和機器學習等領域有興趣，卻不知道從哪裡開始，本課程將是你進入 AI 領域的最佳起點！
學習機器學習不僅需要動手寫程式，更需要紮實的數學基礎。
因此，本課程特別強調「理論與實作並重」：你不僅會學到每個演算法背後的數學原理，還會學會如何用 Python 及主流資料科學套件將這些理論落實到實際應用中。
無論你是理論數學派還是實戰應用派，都能在這門課找到屬於自己的學習重點！
這堂課程的內容會循序漸進，涵蓋以下主題：
1. 從零開始，熟悉和學習以下常見的資料科學套件，並且從統計分析、資料可視化到探索式資料分析（Exploratory Data Analysis），全面理解資料背後的故事。
運用統計方法發掘資料中的關鍵特徵，並透過各種視覺化工具將複雜的數據轉化為直觀易懂的圖像，快速掌握資料的分佈、趨勢與潛在關係。
NumPy
Pandas
Matplotlib
Seaborn
Plotly
2. 監督式學習：詳細介紹回歸與分類模型，理解以下模型的數學推導、損失函數設計方法、模型訓練與優化流程、模型差異比較、評估指標，並學會如何透過超參數調整來選擇最佳模型：
線性迴歸（Linear Regression）
多項式迴歸（Polynomial Regression）
邏輯迴歸（Logistic Regression）
K-近鄰演算法（K Nearest Neighbors）
Naive Bayes Classifier
支援向量機（Support Vector Machine）
決策樹（Decision Tree）
隨機森林（Random?Forest）
自適應增強（AdaBoost）
梯度提升技術（Gradient Boosting）
XGBoost
3. 無監督學習：瞭解以下每種無監督學習的模型運作原理、數學推導、適用場景與限制，並透過實際案例操作，讓你掌握如何在不同資料型態下選擇合適的演算法。
KMeans Clustering
Hierarchical Agglomerative Clustering
DBSCAN
主成份分析（Principal Component Analysis）
4. 瞭解機器學習中的其他重要概念，包含：
梯度下降演算法（Gradient Descent Algorithm）
反向傳播演算法（Back Propagation Algorithm）
Overfitting 與 Underfitting
Bias-Variance Tradeoff
模型訓練的問題處理方法
L1, L2 正則化規則與特性分析
交叉驗證（Cross Validation）與超參數調整（Hyperparameter Tuning）
特徵選擇（Feature Selection）與特徵縮放（Feature Scaling）
ROC-AUC 原理
交叉熵（Cross Entropy）完整公式推導
Accuracy, Recall, Recision and F1 Score 等模型分數差異比較為了學以致用、強化實戰能力，此課程中特別設計了 7 個 Labs 實作練習。
每個 Lab 都以真實世界的資料集為主題，讓你有機會將課堂所學應用到實際問題中，從資料清理、特徵工程到模型訓練與評估，全面提升你的資料思維與解決問題的能力。
這些 Labs 不僅是課程範例的一部分，更是額外的 bonus 練習，讓實作過程中累積實戰經驗。
無論你是剛踏入 AI 領域的新手，還是希望補強基礎的進階學習者，此課程都能帶給你紮實的知識與技能。
現在就加入此課程，和來自各地的同學一起學習、交流，開啟屬於你的 AI 人工智慧、機器學習之旅吧！
01 - Chapter 0 - 機器學習入門（Intro to Machine Learning）
001 機器學習課程架構.mp4
002 如何最好的使用這堂課.mp4
003 課前準備.mp4
004 人工智能發展歷史.mp4
005 Notion and Google Colab.mp4
006 課程 PPT 下載位置.html
004 Resources
004 snake game - MDP.zip
006 Resources
006 ML_PPT.zip
02 - Chapter 1 - Numpy
001 Numpy 概念介紹.mp4
002 Broadcasting Rule 解說.mp4
003 Reshaping and Combining 規則.mp4
004 Linear Algebra and Statistics 函式支援.mp4
005 MSE 解答與 Lab 1 「向量化」介紹.mp4
006 Lab 1 「向量化」解答.mp4
005 Resources
005 Chapter_1_Numpy.ipynb
005 Lab_1_Vectorization(學生版).ipynb
006 Resources
006 Lab_1_Vectorization(解答版).ipynb
03 - Chapter 2 - Pandas
001 Series and DataFrame.mp4
002 Subsetting DataFrame.mp4
003 其他常見函式介紹.mp4
001 Resources
001 Pandas_Cheat_Sheet.pdf
003 Resources
003 Chapter_2_Pandas.ipynb
04 - Chapter 3 - 資料可視化（Data Visualization）
001 資料可視化.mp4
002 Matplotlib 範例 1.mp4
003 Matplotlib 範例 2.mp4
004 Matplotlib 其他內容補充.mp4
005 Seaborn 範例.mp4
006 Seaborn 其他內容補充.mp4
007 plotly 範例.mp4
003 Resources
003 Chapter_3_Matplotlib.ipynb
004 Resources
004 Chapter_3_Matplotlib_More.ipynb
005 Resources
005 Chapter_3_Seaborn.ipynb
006 Resources
006 Chapter_3_Seaborn_More.ipynb
006 plotting_cheat_sheet.pdf
007 Resources
007 Chapter_3_plotly.ipynb
05 - Chapter 4 - 資料處理與探索式資料分析（Data Wrangling and EDA）
001 Data Wrangling.mp4
002 探索式資料分析（Exploratory Data Analysis）.mp4
003 Penguins 帕爾默企鵝資料集示範.mp4
004 Lab 4 注意事項.html
005 Lab 4 「Netflix 資料集」介紹與示範 1.mp4
006 Lab 4 「Netflix 資料集」介紹與示範 2.mp4
003 Resources
003 Chapter_4_Wrangling_and_EDA.ipynb
005 Resources
005 Lab_4_Netflix（學生版）.ipynb
006 Resources
006 Lab_4_Netflix（解答版）.ipynb
06 - Chapter 5 - 監督式學習 - 迴歸任務（Supervised Learning - Regression）
001 機器學習概念介紹.mp4
002 機器學習的三大類型.mp4
003 線性迴歸模型（Linear Regression）.mp4
004 梯度下降演算法解說.mp4
005 梯度下降程式碼實作.mp4
006 梯度下降的特性討論.mp4
007 Performance Metric.mp4
008 房價預測的模型訓練.mp4
009 多項式迴歸（Polynomial Regression）.mp4
010 Delta Rule for Polynomial Regression.mp4
011 Polynomial Regression 程式碼.mp4
012 Lab 5 「共享單車數據」介紹與解答.mp4
005 Resources
005 Chapter_5_Delta_Rule.ipynb
008 Resources
008 Chapter_5_Linear_Regression.ipynb
009 Resources
009 Chapter_5_Poly_Example.ipynb
009 Chapter_5_Poly_Term.ipynb
010 Resources
010 Chapter_5_Poly_Delta_Rule.ipynb
011 Resources
011 Chapter_5_Polynomial_Regression.ipynb
012 Resources
012 Lab_5_Regression_Lab(學生版).ipynb
012 Lab_5_Regression_Lab(解答版).ipynb
07 - Chapter 6 - 模型表現評估（Model Performance）
001 Overfitting and Underfitting.mp4
002 Train Test Split.mp4
003 模型訓練的問題處理方法.mp4
004 L1, L2 正則化介紹.mp4
005 L1, L2 特性分析.mp4
006 Bias-Variance Tradeoff.mp4
007 交叉驗證與超參數調整.mp4
008 Feature Scaling.mp4
009 特徵選擇與 Art Not Science.mp4
010 Lab 6「BMI 健康數據分析」介紹與第一部分解答.mp4
011 Lab 6「BMI 健康數據分析」 第二部分解答.mp4
001 Resources
001 chapter_6_overfit_and_underfit.ipynb
002 Resources
002 Chapter_6_redo_polynomial_regression.ipynb
004 Resources
004 Chapter_6_Regularization_Visualizer.ipynb
005 Resources
005 Chapter_6_L1_Sparsity_Example.ipynb
005 Chapter_6_Smooth_Surface.ipynb
007 Resources
007 Chapter_6_CV_Hyperparameter.ipynb
008 Resources
008 Chapter_6_Feature_Scaling_Loss_Surface.ipynb
010 Resources
010 Lab_6_Label_Encoder_and_CV（學生版）.ipynb
011 Resources
011 Lab_6_Label_Encoder_and_CV（解答版）.ipynb
08 - Chapter 7 - 監督式學習 - 分類任務（Supervised Learning - Classification）
001 分類任務介紹.mp4
002 Accuracy, Recall, Recision and F1 Score.mp4
003 ROC-AUC.mp4
004 分類問題的 Loss Function.mp4
005 One-Hot Encoding and Class Imbalance.mp4
006 Logistic Regression 概念介紹.mp4
007 Logistic Regression Delta Rule.mp4
008 Logistic Regression 注意事項.mp4
009 台灣信用卡資料集示範 第一部分.mp4
010 台灣信用卡資料集示範 第二部分.mp4
011 KNN 演算法講解.mp4
012 KNN 台灣信用卡資料集示範.mp4
013 KNN 優缺點與維度詛咒（Curse of Dimensionality）.mp4
014 KNN 模型的優化方法 - KD Tree.mp4
015 Naive Bayes Classifier 演算法介紹.mp4
016 Generative 與 Discriminative Model.mp4
017 Naive Bayes 垃圾訊息檢測與分類 第一部分.mp4
018 Naive Bayes 垃圾訊息檢測與分類 第二部分.mp4
019 Naive Bayes 台灣信用卡資料預測.mp4
020 Suport Vector Machine 演算法.mp4
021 Kernel Methods.mp4
022 SVM 台灣信用卡資料集示範.mp4
023 Multi-class 分類問題.mp4
024 帕爾默企鵝資料集範例.mp4
025 Lab 7「中文真假新聞分類器」示範第一部分.mp4
026 Lab 7「中文真假新聞分類器」示範第二部分.mp4
003 Resources
003 Chapter_7_ROC_AUC.ipynb
007 Resources
007 Chapter_7_Logistic_Delta_Rule.ipynb
008 Resources
008 Chapter_7_Feature_Transformation.ipynb
009 Resources
009 Chapter_7_Logistic_Regression.ipynb
011 Resources
011 Chapter_7_KNN_Example.ipynb
012 Resources
012 Chapter_7_KNN_Taiwan.ipynb
013 Resources
013 Chapter_7_Curse_of_Dimensionality.ipynb
013 Chapter_7_KNN_Class_Imbalance.ipynb
016 Resources
016 Chapter_7_Generative_Discriminative.ipynb
017 Resources
017 Chapter_7_Naive_Bayes_Spam.ipynb
019 Resources
019 Chapter_7_Naive_Bayes_Taiwan.ipynb
022 Resources
022 Chapter_7_SVM_Taiwan.ipynb
024 Resources
024 Chapter_7_Penguin_Classification.ipynb
025 Resources
025 Lab_7_Classification_News(學生版）.ipynb
026 Resources
026 Lab_7_Classification_News(解答版）.ipynb
09 - Chapter 8 - 樹狀模型與集成學習（Tree Based Models and Ensemble）
001 Decision Tree 決策樹介紹.mp4
002 Regression Tree.mp4
003 Entropy 與 Information Gain.mp4
004 Gini Impurity.mp4
005 Decision Tree 特性解說.mp4
006 Decision Tree 台灣信用卡資料集示範.mp4
007 Random Forest 概念講解.mp4
008 Out Of Bag Errors.mp4
009 Random Forest 台灣信用卡資料集示範.mp4
010 Ensemble Learning 集成學習.mp4
011 AdaBoost 演算法.mp4
012 Gradient Boosting 演算法.mp4
013 Boosting 台灣信用卡資料集範例.mp4
014 XGBoost 演算法介紹.mp4
015 Lab 8 「鮑魚年齡預測」資料集示範.mp4
002 Resources
002 Chapter_8_MSE_Plot.ipynb
006 Resources
006 Chapter_8_Decision_Tree_Classifier_Taiwan.ipynb
009 Resources
009 Chapter_8_Random_Forest_Classifier_Taiwan.ipynb
010 Resources
010 Chapter_8_Voting_Stacking_Bagging.ipynb
011 Resources
011 Chapter_8_AdaBoost_Visualizer.ipynb
013 Resources
013 Chapter_8_Ada_Boost.ipynb
013 Chapter_8_Gradient_Boosting.ipynb
014 Resources
014 Chapter_8_XGBoost.ipynb
015 Resources
015 Lab_8_Tree_Lab(學生版).ipynb
015 Lab_8_Tree_Lab(解答版).ipynb
10 - Chapter 9 - 無監督學習（Unsupervised Learning）
001 KMeans Clustering 介紹.mp4
002 質心初始值與 Elbow Method 討論.mp4
003 Silhouette Score.mp4
004 Hierarchical Agglomerative Clustering 演算法介紹.mp4
005 HAC 優缺點與程式碼示範.mp4
006 DBSCAN 算法解釋.mp4
007 DBSCAN 問題與 Clustering 演算法差異比較.mp4
008 PCA 降維原理說明.mp4
009 PCA 演算法實作範例.mp4
010 「乳腺癌資料集」範例與 PCA 優缺點討論.mp4
011 Lab 9「百貨公司消費者」客群分析.mp4
001 Resources
001 Chapter_9_KMeans_Animation.ipynb
002 Resources
002 Chapter_9_KMeans_Centroid.ipynb
003 Resources
003 Chapter_9_Elbow_Silhouette.ipynb
004 Resources
004 Chapter_9_Iris.ipynb
005 Resources
005 Chapter_9_HAC.ipynb
006 Resources
006 Chapter_9_Clustering_Comparison.ipynb
007 Resources
007 Chapter_9_DBSCAN_Density.ipynb
008 Resources
008 Chapter_9_PCA_Visualizer.ipynb
009 Resources
009 Chapter_9_PCA_By_Hand.ipynb
010 Resources
010 Chapter_9_Cancer_PCA.ipynb
010 Chapter_9_Linear_PCA.ipynb
011 Resources
011 Lab_9_Clustering_Lab（學生版）.ipynb
011 Lab_9_Clustering_Lab（解答版）.ipynb
11 - Chapter 10 - 機器學習的其他主題（Topics in Machine Learning）
001 人工神經網路介紹.mp4
002 深度學習特性討論（CNN, ChatGPT）.mp4
003 「MNIST 手寫數字分類」資料集與 MLP 程式碼示範.mp4
004 人工智能的挑戰與道德議題.mp4
005 儲存和使用訓練好的模型.mp4
006 Choosing the RIGHT model.mp4
003 Resources
003 Chapter_10_MLPClassifier.ipynb
005 Resources
005 Save_and_Load_Model.zip
12 - 恭喜完成課程！
001 Bonus Lecture.html
|
|
|
|
