課程簡介

本課程專為機器學習初學者設計，讓學員在短時間內掌握機器學習的核心概念與實作流程。課程包含理論基礎講解、資料前處理步驟、常見演算法（監督式與非監督式學習）說明，以及 Python 實作範例。透過實際操作 Scikit-Learn、Pandas、NumPy 與 Matplotlib 等工具，學員將能建立自己的第一個分類與預測模型。本課程著重於實用性與理解性，適合作為入門奠基課程。

適合對象：

對人工智慧、資料分析有興趣的初學者
具備基礎 Python 語法知識，希望進入 AI 領域者
學生、研究人員或資料分析工作者
想了解機器學習應用於實際商業與研究場景者

課程目標

快速理解機器學習的核心概念與分類。
熟悉資料前處理、模型訓練與效能評估流程。
使用 Python 工具操作並建立完整 ML 專案。
具備進一步學習深度學習與資料科學的基礎。

兩小時課程大綱

第 1 部分：機器學習概論與應用場景（約 15 分鐘）

機器學習的定義與與傳統程式設計差異
三大主要類型：
- 監督式學習（Supervised Learning）
- 非監督式學習（Unsupervised Learning）
- 強化學習（Reinforcement Learning）簡介
應用範例：醫療診斷、金融預測、語音／影像辨識、自動駕駛
ML 實作的標準流程七步驟（資料、特徵、模型、評估、調整、部署、監控）

第 2 部分：資料探索與前處理實作（約 20 分鐘）

載入資料集（使用 Pandas 範例）
檢視與理解資料 (.head()、.info()、.describe())
處理遺漏值（fillna()、均值補全）
特徵縮放（Normalization, Standardization）
類別編碼（Label Encoding, One-Hot Encoding）
範例：以「Iris 鳶尾花」資料集進行前處理實作

第 3 部分：監督式學習（Supervised Learning）核心演算法（約 30 分鐘）

監督式學習基本概念：訓練、測試、標籤
常見分類與回歸模型介紹：
- 線性回歸（Linear Regression）
- 邏輯回歸（Logistic Regression）
- 決策樹（Decision Tree）
- K 最近鄰（K-Nearest Neighbors, KNN）
模型評估與指標：
- 準確率（Accuracy）、混淆矩陣（Confusion Matrix）
- 精確率／召回率／F1 Score
實作範例：使用 Scikit-Learn 訓練 Iris 資料集分類模型

第 4 部分：非監督式學習（Unsupervised Learning）核心概念（約 20 分鐘）

非監督式學習應用：市場分群、維度縮減、異常偵測
聚類演算法：K-Means 介紹與實際應用
範例：對顧客購物紀錄資料進行群集分析
可視化結果使用 Matplotlib 與 Seaborn

第 5 部分：模型評估與優化技巧（約 15 分鐘）

訓練與測試資料分割（train_test_split）
避免過擬合（Overfitting）與交叉驗證（Cross Validation）
使用混淆矩陣觀察模型效能
模型超參數調整（GridSearchCV）概念
範例：比較不同模型準確率（KNN vs Decision Tree vs Random Forest）

第 6 部分：專案實作 – 預測應用模型（約 25 分鐘）

專案主題：房價預測模型建構（House Price Prediction）

載入房價資料集（波士頓 / Kaggle Housing Dataset）
進行特徵工程與標準化
建立線性回歸與隨機森林（Random Forest）模型
計算 RMSE（Root Mean Squared Error）指標
視覺化預測結果與實際值差異
討論成果優化方向

第 7 部分：延伸應用與課程總結（約 15 分鐘）

如何延伸學習方向：
- 深度學習（Deep Learning）
- 強化學習（Reinforcement Learning）
- 自然語言處理（NLP）與影像辨識（CV）
模型部署簡介（Flask / FastAPI / Streamlit 簡述）
AI 倫理與資料隱私基本觀念
推薦學習資源：
- Scikit-Learn 官方文件
- Google Colab 線上教學環境
- Kaggle 線上競賽與數據練習平台
課程重點總結與學員實作挑戰題

查詢/報讀

編程課程教材

線上教學影片

環球AI能力基準評測考試 AI Capability Evaluation (ACE) Standard，「香港編程學院」報讀ACE AI課程/ AI考試/ AI證照，可享8折優惠！