上門AI教學課程內容

Scikit-learn AI 教學課程大綱與簡介

 

課程簡介

本課程專為機器學習初學者與實務應用者設計，聚焦使用開源Python工具Scikit-learn，系統全面學習機器學習理論與實作技能。課程內容從數據預處理開始，逐步涵蓋分類、回歸、聚類及降維等核心機器學習演算法，深入講解模型評估與超參數調優技巧。透過理論講授與豐富的Python程式範例，幫助學員掌握如何使用Scikit-learn快速構建、訓練及應用機器學習模型，具備解決實際問題的能力。適合無編程背景者、數據分析師和研發工程師。

 

課程大綱

1. Python與機器學習基礎入門（4小時）

• Python基礎語法回顧與套件安裝（NumPy、Pandas、Matplotlib、Scikit-learn）

• 什麼是機器學習？監督式、非監督式及強化學習簡介

• Scikit-learn庫概覽與API設計理念

2. 數據預處理與特徵工程（5小時）

• 數據清洗：缺失值處理、異常值偵測

• 數據標準化與正規化

• 類別型特徵編碼（One-hot Encoding、Label Encoding）

• 特徵選擇與提取技術

3. 監督式學習 —— 分類演算法實作（7小時）

• 邏輯回歸（Logistic Regression）基礎與應用

• 支持向量機（SVM）理論與調參

• 決策樹與隨機森林介紹與實戰

• K近鄰法（KNN）和朴素貝葉斯（Naive Bayes）講解

• 模型性能評估指標：準確率、召回率、F1分數、ROC曲線

4. 監督式學習 —— 回歸演算法應用（5小時）

• 線性回歸與多元回歸分析

• 嶺迴歸與Lasso回歸

• 模型評估與誤差指標（MSE、MAE、R²）

• 多變量回歸與非線性回歸案例

5. 非監督式學習 —— 聚類與降維（5小時）

• K均值聚類與層次聚類介紹與示範

• DBSCAN密度聚類方法解析

• 主成分分析（PCA）及其在降維上的應用

• t-SNE降維與數據視覺化技巧

6. 模型選擇與超參數調優（4小時）

• 交叉驗證（Cross-validation）原理與實踐

• 網格搜索（Grid Search）與隨機搜索（Random Search）

• 過擬合與欠擬合識別與處理方法

• 集成學習（Ensemble）思想簡介

7. 機器學習項目實戰（6小時）

• Kaggle公開數據獲取與處理實務

• 建立完整機器學習流程：數據分析、建模、評估、調優與預測

• 綜合案例示範：金融信用評分、銷售預測與客戶分群分析

• 結業專題指導與講評

 

預期學習成果

• 掌握Python環境與Scikit-learn套件基本操作技巧

• 熟練運用多種機器學習演算法解決分類、回歸及聚類問題

• 能獨立完成數據清洗、特徵工程與模型訓練全流程

• 理解並運用模型評估指標，進行科學化模型選擇與優化

• 具備基於實際數據集進行機器學習專案開發能力

 

適合對象

• 對機器學習與人工智慧感興趣的初學者

• 想提升數據分析能力的工程師與研究人員

• 市場、金融、生產、醫療等領域從業者

• 大專院校學生及希望深入瞭解AI技術的學者

本課程內容結合理論與實作，設計循序漸進，理論詳實且緊貼實務應用，是邁入機器學習領域的理想選擇。透過本課程，將為您打開AI與數據科學的新視野，助您掌握未來技術發展的核心競爭力。