使用 Python 實做機器學習分類新手訓練營

使用 Python 和 Scikit Learn 建立 10 個實用的專案並提高你的機器學習技能

從這 11.5 小時的課程，你會學到

應用先進的機器學習模型執行情緒分析和對客戶評論做分類，如 Amazon Alexa 產品評論
瞭解一些機器學習演算法背後的理論和直覺，如 K-Nearest Neighbors，支援向量機(SVM) ，決策樹，隨機森林，樸素貝葉斯( Naive Bayes )和邏輯回歸 ( Logistic Regression )
使用 Scikit-Learn 實現 K-Nearest Neighbors、支援向量機( SVM )、決策樹、隨機森林、樸素貝葉斯和邏輯回歸的分類演算法
使用樸素貝葉斯分類技術建立電子郵件垃圾分類器
將機器學習模型應用於醫療保健應用，如癌症和脊椎後凸( 駝背 ) 疾病分類
開發模型來預測使用者針對 Facebook 廣告的行為
Regression 分類資料使用 K-Nearest Neighbors，支援向量機(SVM) ，決策樹，隨機森林，樸素貝葉斯和邏輯回歸模型
建立一個 in-store 功能來預測使用他們的功能的客戶規模
利用機器學習技術開發一個欺詐檢測分類器
掌握 Python Seaborn 程式庫用來繪製統計圖表
理解機器學習、深度學習和人工智慧的區別
執行特性工程，清理培訓和測試的資料以消除異常值
掌握 Python 和 Scikit-Learn 以應用資料科學和機器學習
學習使用 Python Matplotlib 程式庫進行資料繪圖

要求

Python 程式設計的基本知識 ( 請參考 Python 程式設計學習地圖 )
電腦使用經驗

課程說明

你準備好掌握機器學習技術並開始你作為資料科學家的職業生涯了嗎？！

你來對地方了！

根據 PayScale 的數據，機器學習是 2022 年最需要掌握的技能之一，美國的平均薪資超過 114,000 美元！過去兩年，機器學習工作總數增加了 600% 左右，預計到 2025 年將增加更多。

本課程為學生提供最先進的機器學習分類技術的知識和實踐經驗，例如

邏輯回歸 ( Logistic Regression )
決策樹( Decision Trees )
隨機森林( Random Forest )
樸素貝葉斯( Naïve Bayes )
支援向量機 ( Support Vector Machines (SVM) )

在本課程中，我們將向學生提供最先進的分類技術的關鍵知識。我們將使用真實世界的資料集從零開始建立10個專案，這裡是我們將要工作的專案的一個樣本:

建立一個電子郵件垃圾分類器
為亞馬遜 Alexa 產品執行情緒分析和客戶評論分析
基於乘客特徵預測鐵達尼號的乘客生存率
針對 Facebook 上的目標市場廣告預測客戶行為
根據年齡和 401K 儲蓄等特徵，預測銀行客戶的退休資格
預測癌症和脊椎後凸( 駝背 ) 疾病
檢測信用卡交易中的欺詐行為。

重點課程摘要:

這個全面的機器學習課程包括超過75個高解析視訊講座超過11小時的視訊內容。
本課程包含10個實用的 python 程式設計專案，學生可以將這些專案新增到自己的專案作品組合中。
沒有嚇人的數學，我們將涵蓋理論和直覺，以清楚，簡單和容易的方式。
課程提供所有的 Jupyter noteboooks (程式碼)和投影片。
在學術和業界 10年以上的機器學習和深度學習的經驗，已經彙編在這門課程中。

參加本課程的學生將掌握機器學習分類模型，並能直接應用這些技能來解決真實世界中具有挑戰性的問題。

目標受眾

資料科學愛好者想要提高自己的機器學習技能
對機器學習和資料科學感興趣的 Python 程式設計師
程式設計師或者開發人員，他們希望轉向利潤豐厚的資料科學和機器學習領域
技術人員希望瞭解機器學習模型是如何工作的
想要轉型進入科技行業的資料分析師

講師簡介

Prof. Ryan Ahmed | 50萬+ 學生| 最暢銷教授 人工智慧、LLM、Agentic AI、雲端運算、資料科學和 CoPilot 課程

大家好，歡迎！

我是 Ryan Ahmed 博士。我是教授、教育家，也是 Stemplicity School 的創辦人。在 Stemplicity School，我們致力於讓人工智慧和資料科學變得簡單易懂、實用、方便，人人都能輕鬆掌握。我熱衷於創造引人入勝、注重實踐的學習體驗，幫助人們在這個瞬息萬變的世界中蓬勃發展。

如果您剛踏入科技領域，或希望提升您在 AI、資料科學或雲端運算方面的技能，我的目標是讓這些複雜的主題變得平易近人、貼近生活、易於應用。在過去的十年裡，我已為來自160個國家的超過45萬名學員授課，並在我的YouTube頻道「Prof. Ryan Ahmed」上建立了一個擁有超過25萬訂閱者的全球社群。我在那裡分享教程和工具，幫助人們發展職業生涯。

我也曾為匯豐銀行、加拿大皇家銀行、Discover銀行和巴克萊銀行等公司在美國、加拿大和英國進行人工智慧企業培訓。在職業生涯早期，我曾在通用汽車、三星和Stellantis擔任領導職務，致力於電動車和自動駕駛汽車技術的研究。

我擁有麥克馬斯特大學的碩士、博士和工商管理碩士學位。此外，我也是註冊專業工程師和史丹佛大學認證的專案經理，在人工智慧和電池系統領域發表過50餘篇研究論文。但拋開這些頭銜，對我而言最重要的是看到他人取得成功。

如果您充滿好奇心、積極進取，並且渴望學習，我願助您邁出下一步。

Ligency 建構現實世界的 AI 產品

加入 Ligency，與超過 340 萬名學員一起學習。

我們擁有 4.6 分的講師評分、近 100 萬條評價，並提供 12 種語言的 121 門課程，幫助工程師、領導者和團隊掌握驅動當今人工智慧革命的技能，並交付實際成果。

我們從現實世界的起點出發：大型語言模型( LLM )及其驅動的產品。您將學習AI 和生成式人工智慧 (gen AI) 的基礎知識，然後交付生產級系統 – 聊天機器人、Co-Pilot、自動化和 AI 代理。我們將深入探討大型語言模型工程：檢索（RAG）、評估、可觀測性、安全性以及團隊大規模運行代理系統所使用的模式。

我們的技術堆疊實用且與時俱進。您將使用 Python、LangChain 和 LangGraph 快速建立原型；探索來自 OpenAI、Gemini 和 Claude（包括 Claude Code）的模型；使用 Hugging Face 和 Ollama 進行微調和部署；並在 AWS 上將其部署到生產環境 – 從 Bedrock 到事件驅動服務。需要自動化？我們利用 n8n、簡潔的介面和 CI/CD 將其完美整合。在此過程中，您將掌握在高負載下依然穩健的響應式工程技術。

未來發展方向：交付型人才的職位。熱愛建構的人才可以選擇 AI 工程師和 LLM 工程師；追求規模化可靠性的人才可以選擇平台和 MLOps 方向；致力於將智能體 AI 從簡報轉化為實際業務成果的人才可以選擇產品和領導力方向。貫穿始終的核心理念是：快速學習、快速建立、衡量一切、迭代優化。

從我們最暢銷的課程開始：

LLM 工程：精通 AI、大型語言模型和 Agents – 從最初的響應式設計到生產模式（RAG、Agents、評估、LangChain/LangGraph）的實踐路徑。

完整的 Agentic AI 工程課程 – 設計、編排和部署強大的 AI Agents 和 Agentic 工作流程。

生產環境中的 AI : 大規模的 Gen AI 和 Agenttic AI – AWS 上建置管道、監控和企業級部署的擴展模式。

生成式 AI 高階主管簡報：領導者的精通指南－生成式 AI 策略、治理與投資報酬率的簡明行動手冊。

如果您希望快速提陞技能並交付實際產品，歡迎加入我們。學習概念，體驗工具，建立產品 – 然後將其推向用戶。這就是 Ligency 的行事方式。

SuperDataScience Team 幫助資料科學家成功的團隊

Hi, 你好！

我們是 SuperDataScience 團隊。你將在 Kirill Eremenko 教授的資料科學課程中看到我們 – 我們在這裡幫助你解決任何問題，並確保你在課程的旅程中總是一舤風順！

聯繫最好的方法是在你正在學習的課程的問答中討論。在大多數情況下，我們會在 24 小時內回覆。

我們熱衷於幫助你享受課程！