機器學習 Machine Learning 公開課

從基礎理論到實際應用的全面機器學習教育。本課程涵蓋了數據表示、特徵工程、模型評估與驗證，以及優化技術等關鍵領域，並通過具體案例和實際操作展示這些概念的應用。課程適合從初學者到進階學習者，幫助學生深入理

內容簡介

作者介紹

適合人群

你將會學到什麼

購買須知

機器學習介紹（Intro）

此系列從基本定義開始，探討了機器學習的應用場景、學習的基本組成部分、機器學習與其他領域的關聯，以及學習的可行性和概率理論在其中的作用。此外，還涉及不同類型的學習方法，包括監督學習、非監督學習和強化學習等，並用實例說明這些概念。這些視頻由知名教授和專家主講，如林軒田、Siraj Raval、StatQuest的創建者，以及莫烦Python，他們的解釋清晰易懂，適合所有希望深入了解機器學習基礎的學習者。
機器學習演算法（Machine Learning Algorithms）

這一系列視頻專注於機器學習演算法的核心概念和應用。覆蓋了從基本的演算法原理到具體的應用場景，適合對機器學習算法感興趣的學習者。 Edureka的教程提供了全面的機器學習課程，從基本原理到實際案例，適合對機器學習全面學習有需求的人士。 Noureddin Sadawi和Victor Lavrenko的視頻專注於闡述分類、回歸和聚類等基本概念，並探討了監督學習和非監督學習之間的差異。此外，視頻還涵蓋了二元分類器與多類別分類器的區別，以及生成式學習和區別式學習的對比。
數據表示與特徵工程（Data Representation and Feature Engineering）

專注於機器學習中的數據表示與特徵工程。這些視頻深入探討了如何有效地處理和表示各種類型的數據，包括類別數據、序數數據、數值數據，以及如何處理數據中的異常值和偏斜分佈。視頻還涵蓋了如何在機器學習模型中表示複雜對象，如圖像、手寫數字、文本和音樂。每一節都具體介紹了不同類型數據的特點及其在機器學習中的應用，強調了特徵工程在機器學習成功應用中的重要性。
回歸模型（Regression Models）

這系列視頻專注於回歸分析（Regression Analysis）的多個方面，涵蓋了從基本理論到各種回歸模型的應用。適合於希望深入理解並應用回歸分析於數據分析和機器學習項目的學習者。視頻包含對線性回歸（Linear Regression）的基礎介紹，涉及單變量和多變量情況，並展示如何在Python和R中實現這些技術。林軒田的講座深入講解了回歸分析的理論，包括最小二乘法、設計矩陣以及用於分類的線性模型。系列還包括對正則化回歸（Regularization Regression）技術的探討，如嶺回歸（Ridge Regression）、套索回歸（Lasso Regression）和彈性網回歸（Elastic Net Regression）。此外，還介紹了支持向量回歸（Support Vector Regression, SVR）和其他複雜回歸模型，例如決策樹回歸和k最近鄰回歸。
邏輯回歸（Logistic Regression）

介紹和深入解析邏輯回歸（Logistic Regression），這是一種廣泛用於機器學習中的分類算法。從二元分類到多類別分類，這些視頻涵蓋了邏輯回歸的各種應用和技術細節。 codebasics的視頻提供了對二元和多類別邏輯回歸的實用指南，適合初學者快速掌握基礎知識。林軒田的講座深入探討了邏輯回歸的理論基礎，包括錯誤分析和核邏輯回歸，以及與支持向量機（SVM）的比較。 StatQuest和Siraj Raval的視頻則更側重於解釋邏輯回歸的數學原理和實際實施過程。視頻還包括了如何在R中實現邏輯回歸，以及對其係數、最大似然估計、R平方和p值等細節的深入分析。
貝葉斯分類器（Bayesian Classifiers）

介紹並深入解析貝葉斯分類器（Bayesian Classifiers）及其在機器學習中的應用。這些視頻適合想要理解並應用貝葉斯方法於數據分類問題的學習者。王木头学科学的視頻探討了L1和L2正則化在貝葉斯框架下的解釋，揭示了它們作為最大後驗估計的本質。 codebasics和Noureddin Sadawi的視頻提供了對於朴素貝葉斯分類器（Naive Bayes Classifier）的基礎和進階概念的實用指南，包括如何處理數值屬性。 StatQuest系列則通過清晰的解釋和實例，深入介紹了朴素貝葉斯和高斯貝葉斯（Gaussian Naive Bayes）。此外，Siraj Raval的視頻在介紹概率論基礎的同時，闡述了它在智能算法中的應用。 Edureka的視頻則提供了對貝葉斯分類器的全面解釋，包括算法的原理和應用。
支持向量機（Support Vector Machines, SVM）

支持向量機（Support Vector Machines, SVM）的全面介紹和深入分析。適合於想要深入理解SVM及其在機器學習中應用的學習者。 Siraj Raval的視頻從基礎介紹SVM，解釋其在智能算法中的作用。 StatQuest和codebasics系列通過實例和清晰的解釋，分別介紹了SVM的基本概念、多項式核、RBF核以及如何在Python中從頭到尾實現SVM。 Noureddin Sadawi的視頻專注於解釋SVM的工作原理，包括線性和非線性SVM，以及核技巧。林軒田的系列從線性SVM到雙重SVM，再到核SVM和軟邊界SVM，深入探討了SVM的不同方面，包括其動機、理論基礎和實際應用。王木头学科学的視頻則從更理論的角度探討SVM，包括軟間隔的理解、合葉損失函數和與其他機器學習算法的對比，以及VC維度在理解SVM中的作用。
K最近鄰（k-Nearest Neighbors, kNN）

K最近鄰（k-Nearest Neighbors, kNN）算法的全面介紹，涵蓋了從基本概念到實際應用和實現的各個方面。適合於想要深入理解和應用kNN算法的學習者。 StatQuest和Noureddin Sadawi的視頻提供了對kNN分類器工作原理的直觀解釋，並展示了如何在Java和Python中實現kNN。 Victor Lavrenko的一系列短視頻從不同角度深入探討了kNN，包括算法的直觀理解、決策邊界、對異常值的敏感性、分類和回歸算法、選擇鄰居數量、相似度/距離測量、解決鄰居間平局的策略、以及kNN的優缺點。視頻還介紹了kNN在數據結構（如k-d樹和局部敏感哈希LSH）、以及與其他機器學習方法（如支持向量機SVM）的關聯。
決策樹（Decision Trees）

這系列視頻提供了對決策樹（Decision Trees）的全面介紹和深入分析。適合於想要理解和應用決策樹於數據分類和回歸問題的學習者。 Victor Lavrenko的一系列短視頻從基礎介紹開始，涵蓋了決策樹的各個方面，包括ID3算法、分割純度、熵、信息增益、過擬合和修剪、信息增益比率，以及決策樹在處理實數值數據和回歸問題中的應用。 StatQuest的視頻深入解釋了決策樹和分類樹的工作原理，包括特徵選擇和缺失數據的處理。 codebasics和Noureddin Sadawi的視頻提供了實際的決策樹實現範例，包括Python中的分類樹實作。林軒田的講座深入講解了決策樹算法、啟發式方法和C&RT中的應用。
集成學習（Ensemble Learning）

介紹和深入探討集成學習（Ensemble Learning）中的幾種關鍵技術：裝袋（Bagging）、提升（Boosting）、混合（Blending）和堆疊（Stacking）。這些方法都是集成學習策略的重要部分，旨在通過結合多個學習器來提高整體模型的性能。 codebasics 和林軒田的視頻提供了對裝袋技術的深入介紹，其中包括其動機、不同形式的混合，以及裝袋（即自助聚合）的具體方法和原理。 StatQuest 的視頻以及林軒田的一系列視頻深入探討了自適應提升技術 AdaBoost，包括提升的動機、通過重新權重實現多樣性的方法，以及 AdaBoost 算法的細節和實際應用案例。 Sebastian Raschka 的視頻介紹了堆疊（Stacking），這是一種集成多個不同模型預測的技術，通常用於提高預測準確度。
高階樹狀模型：隨機森林、XGBoost 與梯度提升Gradient Boosting

這系列視頻提供了對高階樹狀模型學習方法，特別是隨機森林（Random Forests）、XGBoost和梯度提升（Gradient Boosting）的全面介紹和深入分析。這些視頻適合於想要理解和應用這些高級機器學習算法於數據分析問題的學習者。 StatQuest的視頻清晰解釋了AdaBoost和隨機森林的基本原理和實際應用，並展示了如何在R中實作這些方法。 Victor Lavrenko的視頻系列從理論和實踐兩方面深入探討了隨機森林和梯度提升決策樹，包括AdaBoost決策樹、梯度提升的優化過程，以及集成學習的總結。視頻還包括了對XGBoost算法的全面介紹，從回歸和分類問題到數學細節和優化技術。 Siraj Raval和Edureka的視頻提供了隨機森林算法的額外解釋和實踐範例。 codebasics的視頻展示了如何在Python中實作隨機森林。
群聚分析（Clustering Analysis)

群聚分析（Clustering Analysis）的全面介紹和深入分析，適合於想要理解和應用各種聚類技術的學習者。 codebasics和Noureddin Sadawi的視頻介紹了K均值（K-Means）聚類和自組織映射（Self-Organizing Map, SOM）等分割型（Partitive）聚類方法。 Siraj Raval提供了關於K均值聚類和高斯混合模型（Gaussian Mixture Models）的深入探討，這些技術適用於更複雜的數據集。 StatQuest的視頻以淺顯易懂的方式解釋了階層聚類（Hierarchical Clustering）和DBSCAN聚類方法。 Victor Lavrenko的一系列短視頻從基礎概念開始，詳細介紹了聚類算法的不同類型，包括K均值聚類的算法原理、目標函數、最佳聚類數量的確定方法以及聚類系統的評估。
模型評估與驗證方法

專注於機器學習中的模型評估與驗證技術。包括如何使用驗證集來避免過擬合、K折交叉驗證的實施、訓練與測試數據的區分，以及理解偏差與變異在模型訓練中的影響。這些視頻提供了深入的理論背景和實際的應用示例，幫助學習者理解如何有效地評估機器學習模型的性能，並避免常見的過擬合問題。這個播放列表適合那些希望提高模型泛化能力和穩健性的學習者。
機器學習- 優化與調參數

機器學習中的優化技術和超參數調優，涵蓋了從基礎的梯度下降算法到更進階的優化策略。
模型性能指標與評估

深入探討了機器學習中的各種模型性能評估指標，如靈敏度、特異性、混淆矩陣、ROC和AUC曲線。這些視頻講解了如何利用這些指標來評估和改善分類和回歸模型的性能。此外，還包括了對均方誤差、平均絕對誤差和相關係數等重要統計量的詳細解釋。這個播放列表適合想要深入理解機器學習模型評估方法和提高評估技巧的學習者。
實戰教程

這系列視頻涵蓋了多種機器學習應用的實戰教程，從基礎到進階，適合對實際建模和應用感興趣的學習者。莫烦Python的一系列視頻專注於專注於介紹和教學Scikit-Learn這個廣泛使用的Python機器學習庫還有使用機器學習和強化學習算法來構建和完善機械手臂，從搭建靜態和動態環境到實現強化學習算法。同樣，該系列還包括了構建汽車狀態分類器的教程，從數據分析到搭建測試網絡。 Siraj Raval的“Machine Learning for Hackers”系列提供了一系列快節奏的項目，涵蓋了從創建聊天機器人到股市預測等各種主題。 Edureka提供了更長形式的教程，包括使用機器學習預測COVID-19疫情和房價預測等項目。
進階主題（Advanced Topics）

這系列視頻涵蓋了機器學習的多個重要主題，包括學習的可行性、梯度下降、模型保存方法、處理數據不平衡和過擬合等問題，以及非線性變換和過擬合的危險等。這些主題涉及了機器學習理論的核心概念和實際應用技術，非常適合對機器學習理論和實踐有深入興趣的學習者。
強化學習 Reinforcement Learning

播放列表提供了一系列深入淺出的視頻，從基礎概念到高級技術，全面介紹了增強式學習（Reinforcement Learning, RL）。播放列表包括了對增強式學習的基本原理、策略梯度、Actor-Critic方法、Q學習、Sarsa算法等關鍵概念的講解。此外，還涵蓋了諸如DQN、DDPG和A3C等先進技術。適合對增強式學習感興趣的初學者和中級學習者。
異常檢測（Anomaly Detection）

專注於異常檢測（Anomaly Detection）的多個方面，涵蓋了從基本概念到進階技術的全面介紹。這些視頻適合於想要深入理解異常檢測在數據分析和機器學習中應用的學習者。視頻系列從基礎知識開始，逐步介紹了異常檢測的各種方法和技術，包括統計方法、監督學習和非監督學習方法。接下來的視頻深入探討了異常檢測的實際應用，包括如何識別和處理異常數據，以及異常檢測在不同領域中的實踐案例。

機器學習 Machine Learning 公開課

內容簡介

作者介紹

適合人群

你將會學到什麼

購買須知

機器學習介紹（Intro）

Machine Learning Tutorial Python -1: What is Machine Learning? - codebasics

IAML2.2: What is machine learning? - Victor Lavrenko

What Is Machine Learning @ Machine Learning Foundations (機器學習基石) - 林軒田

Applications of Machine Learning @ Machine Learning Foundations (機器學習基石) - 林軒田

Components of Learning @ Machine Learning Foundations (機器學習基石) - 林軒田

Machine Learning and Other Fields @ Machine Learning Foundations (機器學習基石) - 林軒田

Feasibility of Learning :: Probability to the Rescue @ Machine Learning Foundations (機器學習基石) - 林軒田

Machine Learning Foundations/Techniques: Types of Learning - 林軒田

Machine Learning Foundations/Techniques: Learning to Answer Yes/No - 林軒田

Intro - The Math of Intelligence - Siraj Raval

A Gentle Introduction to Machine Learning - StatQuest

什么是机器学习? What is machine learning? - 莫烦Python

【機器學習2021】預測本頻道觀看人數 (上) - 機器學習基本概念簡介 - Hung-yi Lee

【機器學習2021】預測本頻道觀看人數 (下) - 深度學習基本概念簡介 - Hung-yi Lee

【機器學習 2022】淺談機器學習原理 - Hung-yi Lee

機器學習演算法（Machine Learning Algorithms）

Machine Learning Algorithms | Machine Learning Tutorial | Data Science Training | Edureka

Machine Learning Full Course - 12 Hours | Machine Learning Roadmap [2024] | Edureka

What is Classification? What is a Classifier? - Noureddin Sadawi

The OneR Classifier .. What it is and How it Works - Noureddin Sadawi

The ZeroR Classifier .. What it is and How it Works - Noureddin Sadawi

IAML2.3: What is classification? - Victor Lavrenko

IAML2.4: What is regression? - Victor Lavrenko

IAML2.5: What is clustering? - Victor Lavrenko

IAML2.20: Supervised vs unsupervised learning - Victor Lavrenko

IAML2.21: Binary vs. multiclass classifiers - Victor Lavrenko

IAML2.23: Generative vs. discriminative learning - Victor Lavrenko

如果大数定律失效，机器学习还能学吗？幂律分布可以告诉你答案 - 王木头学科学

Machine Learning for Everybody – Full Course - freeCodeCamp.org

數據表示與特徵工程（Data Representation and Feature Engineering）

IAML2.6: Attribute-value representation - Victor Lavrenko

IAML2.7: Categorical (nominal) attributes - Victor Lavrenko

IAML2.8: Ordinal attributes - Victor Lavrenko

IAML2.9: Numeric attributes and outliers - Victor Lavrenko

IAML2.10: Skewed and non-monotonic attributes - Victor Lavrenko

IAML2.11: Credit scoring example - Victor Lavrenko

IAML2.12: How to represent images - Victor Lavrenko

IAML2.13: Representing handwritten digits - Victor Lavrenko

IAML2.14: Why blurring helps machine learning - Victor Lavrenko

IAML2.15: When pixels work as attributes and when they don't - Victor Lavrenko

IAML2.16: Attributes for object recognition - Victor Lavrenko

IAML2.17: Representing text with categorical attributes - Victor Lavrenko

IAML2.18: Representing text with numeric attributes - Victor Lavrenko

IAML2.19: Representing music with Fourier coefficients - Victor Lavrenko

IAML2.24: How to represent structured objects in machine learning - Victor Lavrenko

One-Hot, Label, Target and K-Fold Target Encoding, Clearly Explained!!! - StatQuest

StatQuest: Principal Component Analysis (PCA), Step-by-Step - StatQuest

Machine Learning Tutorial Python - 19: Principal Component Analysis (PCA) with Python Code - codebasics

回歸模型（Regression Models）

Machine Learning Tutorial Python - 3: Linear Regression Multiple Variables - codebasics

Machine Learning Tutorial Python - 2: Linear Regression Single Variable - codebasics

Machine Learning Foundations/Techniques: Linear Regression - 林軒田

The Main Ideas of Fitting a Line to Data (The Main Ideas of Least Squares and Linear Regression.)

Linear Regression, Clearly Explained!!!

Linear Regression in R, Step-by-Step

Multiple Regression, Clearly Explained!!!

Using Linear Models for t-tests and ANOVA, Clearly Explained!!!

Design Matrices For Linear Models, Clearly Explained!!!

Design Matrix Examples in R, Clearly Explained!!!

Multiple Regression in R, Step-by-Step!!!

Saturated Models and Deviance

Deviance Residuals

Regularization Part 1: Ridge (L2) Regression - StatQuest

Regularization Part 2: Lasso (L1) Regression - StatQuest

Ridge vs Lasso Regression, Visualized!!! - StatQuest

Regularization Part 3: Elastic Net Regression - StatQuest

Ridge, Lasso and Elastic-Net Regression in R

Support Vector Regression :: Kernel Ridge Regression @ Machine Learning Techniques (機器學習技法) - 林軒田

Support Vector Regression :: Support Vector Regression Primal @ Machine Learning Techniques (機器學習技法) - 林軒田

Support Vector Regression :: Support Vector Regression Dual @ Machine Learning Techniques (機器學習技法) - 林軒田

Support Vector Regression :: Summary of Kernel Models @ Machine Learning Techniques (機器學習技法) - 林軒田

Machine Learning Foundations/Techniques: Linear Models for Classification - 林軒田

Regression with Decision Trees - Noureddin Sadawi