機器學習的超參數優化

學習網格和隨機搜索、貝葉斯( Bayesian )優化、多保真( multi-fidelity )模型、Optuna、Hyperopt、Scikit-Optimize 等。

不平衡資料的機器學習

學習對資料進行過採樣（over-sample )和欠採樣( under-sample )、應用 SMOTE、集成方法( ensemble methods )和成本敏感型學習。

瞭解如何在營運中整合強大而可靠的機器學習管線( Pipelines )

學習插補( imputation )、變量編碼( variable encoding )、離散化( discretization )、特徵提取( feature extraction )、如何處理日期時間( datetime )、離群值( outliers )等。

對於已有 Python 基礎，熟悉機器學習演算法的人，本課程將帶你從初階到高階，了解如何選擇特徵並建構更簡單、更快速、更可靠的機器學習模型。