Ethan伊森
3 位追蹤者
Ethan伊森
3 位追蹤者
我是一個不務正業的資料科學家，喜歡學習各種領域的新知識~希望可以藉由整理自己的學習筆記讓初學者也可以輕鬆上手，目前會以分享資料科學與人工智慧相關的內容為主。
另有AI專案接案與教學服務，可來信聊聊。
https://www.cake.me/ethan-462dc5
全部內容
由新到舊
📚 降維技術
降維是將高維數據轉換為低維表示的過程，同時保留數據的關鍵信息。這一技術對於現代機器學習至關重要，因為：
降低複雜度：減少特徵數量，簡化模型，加速訓練
消除冗餘：移除高度相關特徵，提高模型穩定性
減輕維度災難：在高維空間中，數據變得稀疏，距離度量失去意義
視覺化：將高維數據投
🧲 特徵轉換方法
特徵轉換是調整數值型特徵分布形態的過程，幫助模型更有效地學習和提高預測性能。良好的特徵轉換可以：
改善數據分布：使偏斜分布更加對稱
降低異常值影響：減少極端值對模型的干擾
捕捉非線性關係：讓線性模型可以學習複雜模式
提高訓練穩定性：加速梯度下降收斂過程
🪛 特徵編碼
為什麼需要特徵編碼?
特徵編碼是將非數值型資料（如類別、文本等）轉換為數值形式的過程，這是機器學習模型處理資料的必要步驟，因為：
模型數值需求：大多數機器學習算法只接受數值輸入，無法直接處理文字或類別資料
語義保存：編碼過程必須保留原始類別的語義信息，不同編碼方式會保留不同的
大家應該都實際練習過機器學習的四大技術了，包含迴歸分析、分類分析、分群分析以及時間序列分析。 在機器學習模型的開發過程中，我們常將焦點放在演算法的選擇與模型的訓練上，但實際上，一個高效且穩健的模型，往往取決於資料的前處理與特徵的設計。隨著模型複雜度提升，過擬合、特徵尺度不一致以及高維資料噪聲等問題會
在現實生活中，許多資料並非靜止的，它們會隨著時間不斷變化，形成了一種特殊的資料型態，這就是時間序列資料。時間序列數據廣泛存在於各種領域，如金融市場的股票價格波動、氣候監測的溫度變化、製造業的機器故障檢測，以及網站流量的每日訪問量等。這些資料的最大特點在於：當前的觀測值與過去的值密切相關，未來的趨勢也
在剛接觸機器學習時，會學習到模型是使用一組特徵X和標籤Y來訓練的，例如:使用房子的坪數、屋齡、地段等特徵可以預測這間房子的房價，這就是機器學習中迴歸分析的經典應用。但是在現實場景中，往往會出現數量龐大但是沒有明確標籤或類別的資料，這時應該怎麼利用這些資料，才能挖掘出潛藏在資料中的訊息?
疾病診斷在醫學領域中是一項非常重要的任務，正確的診斷能夠有效幫助患者及早接受治療，改善預後，並避免不必要的風險。然而，疾病診斷通常需要依賴大量且複雜的數據分析，例如病患的檢測數值、影像和臨床數據等。面對如此大量的資料，人工診斷可能會因主觀判斷或疲勞而存在不確定性，這便為機器學習和人工智慧提供了一個巨
在學習完機器學習的各種基礎知識後，我們終於可以開始進入實際應用的階段。機器學習的常見應用大致可分為四大類：迴歸（Regression）、分類（Classification）、分群（Clustering）、以及時間序列分析（Time Series Analysis）。身為資料科學家，理解並掌握這些方法
✍️ 常見裝飾器應用範例
計時器
計算函數運行的時間
運算時間對於機器學習模型來說非常重要，這會影響到模型訓練與部署推論的資源需求
Python系列的筆記到這邊就差不多要告個段落，我介紹了基礎語法與進階語法的功能與使用方式。基礎語法對於初學者來說是滿容易理解而且能快速上手的部分，進階語法則是初學者的噩夢，常常讓人難以理解也不知道怎麼使用，不過它卻是讓大家提升程式設計能力的好工具。 一開始大家不需要去死記硬背這些進階語法，只需要大
