實體編程教學課程內容
課程簡介
本課程為三小時的入門精華課程，專為對人工智慧與資料分析有興趣的初學者設計。機械學習（Machine Learning）是人工智慧（AI）的核心技術之一，透過演算法與資料訓練，讓電腦能自動學習模式與進行預測。
課程內容以理論概要搭配 Python 程式實作，帶領學員理解機械學習的運作原理與實際應用流程。學員將學習從資料前處理、模型建立、訓練與預測的完整步驟，並體驗常用的 ML 套件（如 scikit-learn、NumPy、pandas）。完成課程後，學員將具備獨立構建簡易預測模型的能力，為進一步學習 AI、深度學習或資料科學課程奠定基礎。
課程目標
-
理解機械學習的基本原理與應用範疇。
-
了解監督式與非監督式學習的主要差異與演算法。
-
能使用 Python 編寫簡易機械學習程式。
-
掌握資料載入、清理、訓練與預測的基礎流程。
-
為進階課程（Deep Learning、AI 預測模型、資料分析）建立基礎實作經驗。
授課對象
課程大綱
第一部分：機械學習基礎概念（約 40 分鐘）
-
機械學習與人工智慧的關係。
-
常見應用領域：影像辨識、金融預測、推薦系統、自然語言處理。
-
機械學習的三大類型：監督式學習、非監督式學習、強化學習。
-
程式環境介紹：Jupyter Notebook、Python 基本套件。
-
實作練習：建立並執行第一個 Python ML 程式。
第二部分：資料集與前處理（約 60 分鐘）
-
資料載入與觀察（NumPy, pandas 基礎）。
-
資料清洗與缺失值處理。
-
特徵（Feature）與標籤（Label）概念。
-
標準化與類別資料轉換（Normalization / Encoding）。
-
實作練習：使用 Python 對真實資料集進行前處理。
第三部分：模型建立與訓練（約 45 分鐘）
-
模型選擇概念：線性回歸、邏輯斯迴歸、KNN、決策樹。
-
訓練與測試資料分割（train_test_split）。
-
模型訓練與預測步驟。
-
準確率與混淆矩陣（Confusion Matrix）簡介。
-
實作練習：建立一個簡易「房價預測」或「分類模型」。
第四部分：應用與延伸練習（約 35 分鐘）
-
模型優化與參數調整（基本概念）。
-
視覺化呈現模型結果（matplotlib / seaborn）。
-
模型保存與載入（使用 joblib 或 pickle）。
-
延伸應用：從 ML 到 AI — 深度學習與神經網路的發展方向。
-
實作練習：比較兩個模型的預測結果。
課程特色
