機器學習百日馬拉松作業
- 機器學習概論
- 資料清理數據前處理
D5：如何新建一個 dataframe? 如何讀取其他資料? (非 csv 的資料)
D13：DataFrame operationData frame merge/常用的 DataFrame 操作
D14：程式實作 EDA: correlation/相關係數簡介
D16：EDA: 不同數值範圍間的特徵如何檢視/繪圖與樣式Kernel Density Estimation (KDE)
- 資料科學特徵工程技術
- 機器學習基礎模型建立
D35：regression vs. classification
D37：regression model 介紹 - 線性迴歸/羅吉斯回歸
D39：regression model 介紹 - LASSO 回歸/ Ridge 回歸
D41：tree based model - 決策樹 (Decision Tree) 模型介紹
D42：tree based model - 決策樹程式碼撰寫
D43：tree based model - 隨機森林 (Random Forest) 介紹
D44：tree based model - 隨機森林程式碼撰寫
D45：tree based model - 梯度提升機 (Gradient Boosting Machine) 介紹
D46：tree based model - 梯度提升機程式碼撰寫
- 機器學習調整參數
- 非監督式機器學習
D56：分群算法 — K-means 分群評估 : 使用輪廓分析
D57：分群算法 — 階層式分群 Hierarchical Clustering
D58：分群算法 — 階層分群法 觀察 : 使用 2D 樣版資料集
D59：dimension reduction 1 降維方法-主成份分析
D61：dimension reduction 2 降維方法-T-SNE
- 深度學習理論及實作
- 初探深度學習及Keras
D77：訓練神經網路的細節與技巧 - Validation and overfit
D79：訓練神經網路的細節與技巧 - Learning rate effect
D81：訓練神經網路的細節與技巧 - Regularization
D83：訓練神經網路的細節與技巧 - Batch normalization
D84：[練習 Day] 正規化/機移除/批次標準化的 組合與比較
D85：訓練神經網路的細節與技巧 - 使用 callbacks 函數做 earlystop
D86：訓練神經網路的細節與技巧 - 使用 callbacks 函數儲存 model
D87：訓練神經網路的細節與技巧 - 使用 callbacks 函數做 reduce learning rate
D88：訓練神經網路的細節與技巧 - 撰寫自己的 callbacks 函數
D89：訓練神經網路的細節與技巧 - 撰寫自己的 Loss function
D91：[練習 Day] 使用傳統電腦視覺與機器學習進行影像辨識
- 深度學習應用捲積神經網路
D92：卷積神經網路 (Convolution Neural Network, CNN) 簡介
D94：卷積神經網路 - 卷積(Convolution)層與參數調整
D95：卷積神經網路 - 池化(Pooling)層與參數調整
D100：訓練卷積神經網路的細節與技巧 - 轉移學習 (Transfer learning)
Kaggle期末考(1)
- Bonus進階補充
D104：史丹佛線上 ConvNetJS 簡介
D105：CNN 卷積網路回顧
D106：電腦視覺常⽤公開資料集
D107：電腦視覺應用介紹