| |
 |
機器學習（Machine Learning）是透過既有資料的大量投入，使機器透過分析理解運行規則並形成演算法，最終在新資料或新問題出現時可如同人類般自主作成判斷的技術。本期主要講述內容為機器學習中的監督式學習（Supervised Learning），從基礎概念及定理開始，說明多種資料探勘及資料分析方法，例如 |
|
 |
|
|
單純貝氏分類器、K-近鄰演算法、ID3 決策樹演算法、多元決策樹…等演算法的原理、實例及優缺，以及透過不同基礎分類器模型組合所提出的整合學習（Ensemble Learning）。
|
|
機器學習1：
機器學習技術、機器學習技術分類、沒有免費的午餐定理（No Free Lunch Theorems）、偏見（bias）與奧卡姆剃刀定理（Occam's Razor） |
 |
機器學習2：
貝氏學習（Bayesian Learning）與單純貝氏分類器（Naive Bayes classifier）、K-近鄰演算法（K -nearest neighbors algorithm）、ID3 決策樹演算法（Iterative Dichotomiser 3 decision tree）
|
|
機器學習3：
ID3 決策樹演算法（Iterative Dichotomiser 3 decision tree）、多元決策樹（Multiple Decision Trees）、整合學習（Ensemble Learning）、自適應增強演算法（AdaBoost）、引導聚集演算法（Bagging）、堆疊式演算法（Stacking）
|
|
|
|
