7/30(四)、7/31(五) Python资料分析与视觉化(12小时)
0. Python 复习与环境准备
1.资料科学简介及 Python 应用
2.高效能的数学运算工具 - Numpy
3.串起资料与程式分析 - Pandas
4.视觉化的呈现资料 - Matplotlib
5.定义问题与观察资料
6.资料探索与视觉化
8/12(三)、8/13(四)、8/14(五)Python与机器学习预测实作(18小时)
0. Python 复习与环境准备
* 基础 Python 语法* 相关套件与开发环境准备
1.机器学习初体验
* 浅谈机器学习* 机器学习如何改变世界* 监督式学习与非监督式学习
2.连续数值的监督式学习 - 回归模型
* 简单线性回归分析* 使用更复杂的回归模型* 回归模型评估
3.离散数值的监督式学习 - 分类模型
* 逻辑回归（Logistic regression）* 决策树（Decision trees）* 支持向量机（SVM）
* 最近邻居法（KNN）
* 简单贝氏分类器（naive Bayes）* 混淆矩阵与分类模型评估
4.没有目标的非监督式学习 - 分群模型
* KMeans 模型* Hierarchical 模型* DBSCAN 模型
5.大海捞针的关联规则学习
* 啤酒与尿布的都市传说* 从暴力法到 Apriori 模型
6.更深更广的进阶学习 - 集成与深度学习
* 机器学习优化方向* 现代化机器学习
报名方式：工研院产业学习网，https://reurl.cc/Ob8rpR
欢迎自行转载