主題書展 2022五南官網週年慶【文科必買】/單書79折、二本以上75折
主題書展 2022五南官網週年慶【理科必買】/單書79折、二本以上75折
滿額優惠折扣 5/5~6/30週年慶全館滿599打95折
  • 投影片(請電洽,僅供老師索取)
    自 序

    Chapter 01 人工智慧的基礎:機器學習理論及貝氏定理(Bayes’ theorem)
    1-1 人工智慧(Artificial Intelligence, AI)
    1-1-1 AI 研究的議題
    1-1-2 強人工智慧vs. 弱人工智慧
    1-1-3 AI 研究方法
    1-2 機器學習(machine learning)
    1-2-1 監督vs. 非監督機器學習
    1-2-2 機器學習的演算法(algorithm)
    1-2-3 何謂Features( ≈自變數)、Training、Label( ≈類別依變數)?
    1-2-4 監督機器學習⊃多變數線性迴歸(machine learning: linear regression with multiple variables)
    1-2-5 機器學習:梯度下降演算法(gradient descent algorithm)
    1-2-6 機器學習:特徵縮放(feature scaling)
    1-3 參數估計:最大概似估計、最大後驗(Max posterior)、貝葉斯估計
    1-3-1 何謂參數估計?
    1-3-2a 估計法一:最大概似估計(MLE) ≠概似比(LR)
    1-3-2b 最大概似估計法(MLE) 做分類
    1-3-3 估計法二:最大後驗(Max posterior) 估計
    1-3-4 估計法三:貝葉斯估計
    1-4 期望最大化(EM) 演算法

    Chapter 02 貝葉斯(Bayesian) 迴歸有45 種
    2-1 貝氏定理與條件機率( 重點整理)
    2-1-1 貝氏機率(Bayesian probability)
    2-1-2 貝氏(Bayes) 定理、條件機率
    2-2 貝葉斯推論(Bayesian inference)
    2-2-1 貝葉斯法則(Bayesian rule)
    2-2-2 推論「排他性和窮舉命題」的可能性(inference over exclusive and exhaustive possibilities)
    2-2-3a 貝葉斯推論之數學性質(mathematical properties)
    2-2-3b 貝葉斯決策理論
    2-2-4 貝葉斯推論之案例
    2-2-5 頻率統計和決策理論之貝葉斯模型,誰優?Bayesian Information Criterion (BIC)
    2-2-6 貝葉斯認識論(Bayesian epistemology)
    2-2-7 貝葉斯推理的影響因素
    2-3 常見的分布有15 種
    2-4 STaTa likelihood-based Bayesian 迴歸有45 種
    2-4-1 STaTa 共12 類:45 種Bayesian 迴歸
    2-4-2 Metropolis-Hastings 演算法(bayesmh 指令) 和Monte Carlo
    2-4-3 貝葉斯線性迴歸的基本原理
    2-5 貝葉斯統計及正規化(Bayesian statistics and Regularization)
    2-5-1 過度適配vs. 不足適配(overfitting and underfitting)
    2-5-2 Bayesian statistics 及正規化(regularization)
    2-5-3 最佳成本函數之正規化(optimize cost function by regularization)

    Chapter 03 最大概似(ML) 各家族(family):機器學習技術
    3-1 最大概似(ML) 之Regression 家族(family)
    3-1-1 迴歸分析介紹
    3-1-2 線性迴歸(linear regression)
    3-2 多元迴歸的自變數選擇法有三:子集合選取法、正規化、資訊準則法(bayesstats ic 指令)
    3-2-1 迴歸模型與正規項(regulation):Ridge 迴歸、Lasso 迴歸原理
    3-2-2 脊迴歸/嶺迴歸(ridge) 的原理:多重共線性(ridgeregress 外掛指令)
    3-2-3a 迴歸正規項(regulation):lasso 迴歸、Ridg 迴歸、elastic-net 迴歸(lassoregress、ridgeregress、elasticregress 外掛指令)
    3-2-3b 機器學習演算法:套索迴歸(Lasso Regrission)(lassoregress、lasso2、elasticregress 指令)
    3-2-4a 機器學習演算法:脊迴歸(Ridge Regression)(rxridge、rxrcrlq、rxrmaxl等14 個指令)
    3-2-4b Ridge 迴歸分析:解決共線性(rxridg 外掛指令)
    3-2-5 機器學習演算法:彈性網路多工Lasso 迴歸(multi task Lasso)(elasticregress 指令)
    3-2-6 邏輯斯迴歸(logistic regression)
    3-3 機器學習法:隨機森林( 外掛指令randomforest)、支援向量機( 外掛指令svmachines)
    3-3-1 機器學習法:隨機森林( 外掛指令:randomforest)
    3-3-2 機器學習法:支援向量機SVM( 外掛指令:svmachines)
    3-4 最大概似的Kernel-Based 家族:小樣本、非線性及高維模型識別
    3-4-1 非線性分類之核函數
    3-4-2 支援向量機(SVM) 分類器:原型、對偶型、核技巧、現代方法
    3-4-3a 支援向量機(SVM) 原理:小樣本、非線性及高維模型識別
    3-4-3b 支援向量機做分類(svmachines 外掛指令)
    3-4-4 核迴歸/分段加權迴歸(kernel regression):非單調函數(lpoly、npregress、teffects 指令)
    3-5 最大概似(ML) 之Bayes-Based 家族( 前導字「bayes: 某迴歸」指令)
    3-5-1 判別模型(discriminative model) 與生成模型(generative model)
    3-5-2 高斯判別分析(Gaussian discriminant analysis)
    3-5-3 樸素貝葉斯(naive bayes) 演算法

    Chapter 04 貝葉斯(Bayesian) 線性迴歸之原理
    4-1 貝葉斯(Bayesian) 分析
    4-2 參數估計:最大概似估計、最大後驗估計、貝葉斯估計
    4-3 貝葉斯(Bayesian) 線性迴歸
    4-3-1a 線性迴歸之參數估計最小平方法 (OLS)
    4-3-1b 貝葉斯(Bayesian) 迴歸之原理
    4-3-2 貝葉斯線性迴歸:參數分布、預測分布、等價核
    4-3-3 貝葉斯線性迴歸:學習過程、優缺點、貝葉斯脊迴歸
    4-4 貝葉斯多元線性迴歸之原理(Bayesian multivariate linear regression)

    Chapter 05 Bayes 線性迴歸(「bayes: regress」、「bayesgraph diagnostics」、「bayesstats ic」指令)
    5-1 線性Bayesian 迴歸( 先rsquare、再「bayes: regression」指令)
    5-1-1 OLS 先挑所有自變數的最佳組合( 再Bayes 線性迴歸)
    5-1-2 OLS 先挑所有自變數的最佳組合,再Bayes 線性迴歸(bayes : regress y x1 x2 x3)
    5-2 方法一Bayes 線性迴歸(bayes : regress ⋯指令)
    5-2-1 Bayes 線性迴歸及預測值:使用內定概似及先驗(uninformative data)(bayes : regress ⋯指令)
    5-2-2 Bayes 線性迴歸:自定概似及先驗(informative data)(bayes : regress⋯指令)
    5-3 方法二Bayes 線性迴歸(bayesmh : regress ⋯指令)
    5-4 線性Bayesian 迴歸模型( 改用bayesmh 指令)
    5-4-1 Bayesian 估計之原理及實作(「bayes: regress」指令)
    5-4-2 MCMC 收斂性(convergence) 及假設檢定(hypotheses testing)
    5-4-3 先驗(Priors):Gibbs 採樣(sampling)
    5-4-4 自定先驗(Custom priors)
    5-5 Bayes 迴歸:縮減模型vs. 完全模型,誰優?(bayesmh、bayesstats ic 指令)

    Chapter 06 Metropolis-Hastings 演算法之Bayesian模型(bayesmh 指令)
    6-1 bayesmh 指令:「線性vs. 非線性」、「單變量vs. 多變量」、「連續vs. 間斷」模型有8 大類
    6-2 bayesmh 指令之範例
    6-2-1 範例1:OLS 線性迴歸(regress)vs. Bayesian 線性迴歸(bayes : regress)
    6-2-2 範例2:Bayesian normal linear regression with noninformative prior( 未自定參數的分布)
    6-2-3 範例3:Bayesian linear regression with informative prior( 自定參數的分布)
    6-2-4 範例4:Bayesian normal linear regression with multivariate prior
    6-2-5 範例5:檢查收斂性(Checking convergence)
    6-2-6 範例6:貝氏事後估計值摘要(Postestimation summaries)
    6-2-7 範例7:敵對模型的比較(Model comparison)
    6-2-8 範例8:假設檢定(Hypothesis testing)( bayestest model、interval interval)

    Chapter 07 Bayesian 邏輯斯模型、多項邏輯斯模型(bayes: logistic、bayes: mlogit 指令)
    7-1 邏輯斯迴歸原理
    7-2 Bayesian logit 迴歸分析(bayes: logit、bayes : logistic 指令)
    7-2-1 範例1:貝氏Logistic 迴歸(bayes: logit 指令)
    7-2-2 範例2:自定之資訊先驗(informative prior):貝氏Logistic 迴歸(bayes: logit 指令)
    7-3 對照組:multinomial logistic 迴歸分析(bayes: mlogit 指令)
    7-3-1 多項(multinomial) 邏輯斯迴歸之原理
    7-3-2 Multinomial Logit 迴歸分析:職業選擇種類(mlogit 指令)
    7-3-3 多項邏輯斯迴歸分析:乳房攝影(mammograph) 選擇的因素(mlogit 指令)
    7-4 實驗組:Bayesian multinomial logistic 迴歸分析:健康保險(bayes: mlogit指令)

    Chapter 08 聯立方程式:Bayesian multivariate 迴歸(bayes: mvreg 指令)
    8-1 多變量Bayesian 迴歸分析(bayes: mvreg 指令)

    Chapter 09 非線性迴歸:廣義線性模型(GLM)(Baye: glm 指令)
    9-1 廣義線性模型之原理
    9-2 當依變數是比例(proportion) 時,如何做迴歸(glm 指令)?
    9-3 廣義線性迴歸(glm、baye: glm 指令)

    Chapter 10 Survival 模型(baye: streg 指令)
    10-1 存活分析的原理
    10-1-1 存活分析之定義
    10-1-2 為何存活分析是臨床研究最重要的統計法?
    10-1-3 存活分析之三種研究目標
    10-2 存活分析Bayesian 迴歸 (baye: streg 指令)

    Chapter 11 多層次(multilevel) 模型(bayes: mixed 指令)
    11-1 多層次模型的原理
    11-2 Bayesian 多層次模型:重複測量(bayes: mixed 指令)

    Chapter 12 計數(count) 模型、Zero-Inflated 模型(bayes: tpoisson、baye: zinb 指令)
    12-1 傳統原理:Count 依變數:Zero-Inflated Poisson 迴歸 vs. negative binomial迴歸
    12-1-1 Poisson 分配
    12-1-2 負二項分配(Negative Binomial Distribution)
    12-1-3 零膨脹(Zero-Inflated)Poisson 分配
    12-2 單層次:Zero-Inflated Poisson 迴歸vs. 負二項迴歸(zip、zinb 指令)
    12-2-1 傳統:Zero-Inflated Poisson 迴歸vs. 負二項迴歸(zip、zinb 指令)
    12-2-2 Bayesian Poisson 迴歸(bayes: poisson)、Bayesian 零膨脹Poisson迴歸(bayes: zip 指令)
    12-2-3 Zero-Inflated negative binomial 模型(bayes: zinb 指令)
    12-3 Zero-Inflated ordered probit regression 練習:釣魚(zip 指令)
    12-4 零膨脹Ordered probit 迴歸分析:抽菸嚴重度(zioprobit 指令)
    12-5 截斷(truncated) Poisson 迴歸分析(bayes: tpoisson 指令)
    12-5-1 截斷迴歸(truncated regression)(truncreg 指令)
    12-5-2 Bayesian 截斷Poisson 迴歸(truncated regression)(bayes: tpoisson 指令)

    Chapter 13 Bayesian 自我迴歸模型 (bayes : regress yL1.y 指令)
    13-1 時間列序之統計:自我迴歸(autoregressive models)
    13-1-2 ARIMA 建構模型之步驟
    13-2 穩定數列之自我迴歸模型(AR)
    13-2-1 AR(1) 模型
    13-2-2 AR(2) 模型
    13-2-3 何謂穩定性( 定態)?
    13-3 Bayesian 自我迴歸之建模過程(bayes : regress y L.y 指令)

    參考文獻
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳