機器學習百日馬拉松
D1〜D3- 從概念上理解機器學習的目的與限制，並導覽機器學習流程
D4〜D18- 探索式資料分析（Exploratory Data Analysis，簡稱 EDA），就是運用視覺化、基本的統計等工具，來「看」一下資料；以期進行複雜或嚴謹的分析之前，能夠對資料有更多的認識D19〜D20- 資料視覺化
D23- 數值型特徵D24〜D26、D32- 分類型特徵D27- 時間型特徵D28〜D30- 特徵組合和選擇D31- 特徵評估
D33〜D36- 數據劃分和模型類別及評估D37〜D40- regression model 介紹D41〜D42- tree base model 介紹D43〜D44- 集成方法:Bagging (RF)D45〜D46- 集成方法:BoostingD47- 調整超參數D49- 集成方法:混合泛化BlendingD50- 集成方法:堆疊泛化Stacking
D54- 非監督式機器學習介紹D55〜D58- 聚類D59〜D62- 降維
D63〜D65- 深度學習介紹D66〜D70- keras介紹和範例D71〜D76、D80、D84- 超參數介紹和原理D77〜D79、D81〜D83、D85〜D89- 訓練技巧D90〜D91- 傳統CV辨識D92〜D97- CNN/Pool介紹和範例