戰昇的部落格

以下是 Week 01 的上課心得與重點整理，今天是第一堂課程，算是蠻基礎的。

重點整理：

1. 統計學習與機器學習的定義：

- 統計學習：使用資料構建機率模型來進行預測與分析。

- 機器學習：讓電腦在未被明確編程的情況下具備學習能力，目標相似但強調點不同。

2. 課程範圍：

- 涵蓋人工智慧、統計、機器學習與深度學習的核心概念，包括自然語言處理與電腦視覺等應用。

3. 建立模型的流程：

- 問題框架 → 資料蒐集 → 清理與轉換 → 探索與視覺化 → 模型建構 → 評估與部署 → 錯誤分析。

4. 學習類型：

- 監督學習：回歸與分類（如線性迴歸、隨機森林等）。

- 非監督學習：分群、降維與關聯規則挖掘。

- 自監督學習：使用無標籤資料學習（如中文字符嵌入）。

- 強化學習：以多階段回饋優化策略。

5. 挑戰與限制：

- 資料的質量與數量（如非代表性樣本、缺失值）。

- 過擬合與欠擬合。

- 模型選擇的 "No Free Lunch" 定理：無一模型適用於所有情境。

心得總結

這一週的課程概述了統計學習與機器學習的基本框架，從定義到應用，充分展現了這些技術在現代資料分析中的重要性。讓我印象深刻的是課堂強調了研究問題的框架設定，這在實務應用中至關重要。對於我來說，從中理解到如何選擇適合的模型與方法，是邁向數據分析實踐的重要一步。未來，我希望能透過實作深入理解這些概念並應用於實際案例中。