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)
|