實體AI教學課程內容
Google Colab Python 機械學習 教學課程大綱：兩小時速成班
課程簡介
課程名稱：Google Colab Python 機械學習速成實戰班
課程時長：2小時（120分鐘）
目標對象：程式初學者、資料分析愛好者、學生與職場人士，無需深厚Python基礎即可上手。
課程目標：透過Google Colab雲端環境實機操作，學員快速掌握從資料前處理到模型訓練評估的全流程，建立第一個機械學習模型，並理解核心概念以應用於個人專案，提升AI實作能力3倍以上。
學習收穫：獨立完成分類/回歸任務，熟稔scikit-learn管線，開啟資料科學入門之路。
課程大綱
第一單元：環境建置與機械學習基礎（20分鐘）
-
機械學習核心概念：監督式學習、分類與回歸、訓練/測試集劃分、過擬合防範。
-
Google Colab優勢：免安裝GPU、雲端協作、Notebook操作導覽。
-
實作專案介紹：鳶尾花分類或房價預測貫穿全程。
練習：建立新Notebook，執行第一行程式碼檢查環境。
第二單元：資料載入與前處理實務（30分鐘）
-
Pandas/NumPy載入：讀取CSV、內建資料集探索（head、info、describe）。
-
資料清洗：缺失值處理、類別特徵one-hot編碼、特徵縮放標準化。
-
X/y切分與train_test_split參數設定。
練習：上傳個人CSV檔案，完成前處理並視覺化分佈。
第三單元：模型訓練與基準建立（30分鐘）
-
scikit-learn入門：LinearRegression回歸、LogisticRegression分類模型建構。
-
訓練流程：fit()、predict()與交叉驗證簡介。
-
效能指標：MSE/MAE/R²（回歸）、Accuracy/混淆矩陣（分類）。
練習：訓練baseline模型，比較訓練/測試分數差距。
第四單元：超參數調優與視覺化分析（25分鐘）
-
GridSearchCV自動調參：n_estimators、max_depth等關鍵參數優化。
-
視覺化工具：matplotlib散佈圖、seaborn熱力圖、模型比較柱狀圖。
-
診斷常見問題：偏差高/變異大、資料不平衡處置。
練習：調整RandomForest參數，繪製學習曲線觀察改善。
第五單元：模型部署與進階延伸（15分鐘）
-
模型儲存/載入：joblib匯出、Google Drive整合。
-
延伸應用：Kaggle資料集實戰、GPU深度學習入門（Keras簡介）。
-
完整開發心智圖與Q&A互動。
挑戰作業：修改範例套用個人資料，分享Notebook連結獲反饋。
此兩小時速成班90%實操導向，學員課後立即擁有可重複使用Colab模板，快速轉向真實專案應用，成為機械學習實務高手！
