課程簡介

本課程從機器學習基礎開始，逐步進階至專業應用，適合無經驗的辦公室從業員學習 Python 在 ML 上的實戰技能。涵蓋數據準備、模型建構、評估與部署，每堂以講解、程式示範及小組練習為主。此大綱可根據學員反饋微調，強調從新手到專業的實用轉型。

第一堂：機器學習基礎與數據準備（3 小時）

內容重點：

• • ML 概念入門：監督式/非監督式學習、回歸與分類基礎；使用 Scikit-learn 安裝與導入，介紹資料集如 Iris 或辦公室銷售數據；討論 ML 應用於業務決策的價值與潛在挑戰。
• • 數據準備技巧：使用 Pandas 清理數據、處理缺失值與特徵工程（如標準化、One-Hot 編碼）；介紹 NumPy 陣列操作與數據分割（train/test split）；涵蓋時間序列數據的排序與滯後特徵建立。
• • 探索性數據分析基礎：使用 Seaborn 視覺化數據分佈與相關性；介紹描述性統計如中位數、變異數及 skewness 計算；討論數據品質檢查清單與常見偏差來源。

第二堂：監督式學習與模型評估（3 小時）

內容重點：

• • 監督式模型實作：邏輯斯迴歸與決策樹分類客戶流失；介紹隨機森林優化單一樹模型，涵蓋超參數調校基礎；討論 SVM 與 KNN 作為替代分類器的優缺點。
• • 模型評估指標：準確率、精準率、召回率與 F1-score；使用交叉驗證避免過擬合，解釋 ROC 曲線與混淆矩陣視覺化；介紹 RMSE 與 MAE 用於回歸模型評估。
• • 偏差-變異權衡概念：解釋 underfitting 與 overfitting 徵兆及診斷方法；使用學習曲線視覺化模型穩定性；討論樣本權重調整處理不平衡數據。

第三堂：非監督式學習與集成方法（3 小時）

內容重點：

• • 非監督式學習：K-Means 聚類分析客戶分群與 PCA 降維視覺化高維數據；介紹階層式聚類與 DBSCAN 處理噪音數據；討論 t-SNE 用於非線性降維應用。
• • 集成學習進階：XGBoost 與 LightGBM 提升模型效能，涵蓋 bagging 與 boosting 概念；討論特徵工程在集成模型的角色；介紹 AdaBoost 作為簡單集成起點。
• • 聚類評估方法：輪廓分數與 Davies-Bouldin 指數；解釋肘部法則決定最佳 K 值；討論集成模型在不平衡數據上的優勢。

第四堂：深度學習與生產部署（3 小時）

內容重點：

• • 深度學習入門：使用 Keras/TensorFlow 建構 CNN 圖像分類與 RNN 時間序列預測；介紹遷移學習加速辦公文件辨識；涵蓋 LSTM 處理序列依賴與 dropout 防過擬合。
• • 模型部署實務：使用 Flask/Streamlit 建置 API 與互動應用；涵蓋 Docker 容器化與雲端部署如 Heroku/AWS；討論 CI/CD 管道整合 ML 工作流。
• • 深度模型優化：學習率調度與批次正規化；介紹 GAN 基礎用於數據增強；解釋 Transformer 架構在 NLP 辦公自動化的潛力。