Chapter 1 AI⊃機器學習(ML)的關係
1-1 著名的AI系統、頂尖AI公司、最佳AI軟體
1-2 人工智慧(AI)之發展
1-3 機器學習(machine learning, ML)概論
Chapter 2 機器學習(ML)與統計關係
2-1 統計、估計
2-2 機器學習(ML)之原理(principles)
2-3 機器學習(ML)之重點整理
2-4 類神經網路(ANN)：單一隱藏層
2-5 深度學習(deep learning)：多個隱藏層
2-6 深度學習結構，有4 種：DNN、DBN、CNN、CDBN
2-7 深度學習法（非線性模型）：兩個隱藏層的多層感知器（外掛指令mlp2）
Chapter3 機器學習式迴歸之重點整理（經濟學）
3-1 統計vs. 機器學習之懲罰項迴歸（感測器來收集大數據）
3-2 特徵選擇(feature selection)（從眾多預測變數組合中，挑有意義Xs）
3-3 收縮估計法(shrinkage estimation)：自變數（特徵）選擇採用嵌入法
3-4 交叉驗證：避免一次性訓練及測試資料所產生偏誤（Stata 外掛指令loocv 指令）
3-5 降維（降低維度，dimension reduction）
3-6 非線性模型(nonlinear models)：神經網路
3-7 集成學習(ensemble learning)：決策樹、迴歸樹至隨機森林
3-8 大數據(big data)
Chapter 4 Lasso 迴歸、平方根lasso 迴歸、elastic net迴歸、Lasso 推論模型：（收縮法shrinkage）
4-1 Ridge 迴歸(L2-norm)、Lasso(L1-norm)、elastic net 迴歸是什麼？
4-2 三種Lasso 迴歸式，挑選最佳λ之收縮率（lasso linear 等指令）
4-3 elastic net 迴歸⊃Ridge 迴歸（elasticnet linear等指令）
4-4 ridge、Lasso、elastic net 迴歸的比較（外掛指令lassoregress、ridgeregress、elasticregress）
4-5 Lasso 推論模型：連續依變數
4-6 Lasso 推論模型：二元依變數
Chapter 5 梯度下降法、深度學習分析
5-1 梯度下降法(gradient descent)
5-2 Python 實作：梯度下降演算法(gradient descent algorithm)
Chapter 6 集成(ensemble) 學習：隨機森林迴歸（外掛指令randomforest）
6-1 決策樹(decision tree)：森林的元素
6-2 隨機森林的原理
6-3 隨機森林之迴歸分析：連續依變數（外掛指令randomforest）
6-4 隨機森林之迴歸分析：二元依變數外掛指令(randomforest)
Chapter7 支援向量機(SVM) 之分析（外掛指令：svmachines）
7-1 機器學習法：支援向量機(SVM) 的原理
7-2 支援向量機之迴歸分析：連續依變數（外掛指令svmachines）
7-3 支援向量機之迴歸分析：類別依變數（外掛指令svmachines)
|
投影片((外加))
若要索取未隨書附送(外加)且未於此提供下載的教學資源，請詳洽業務人員(02-27055066#824)(僅提供教師使用)
|
