Update all title. 1-資料清理數據前處理 D1：資料介紹與評估資料 D2：EDA-1/讀取資料EDA: Data summary D3：3-1如何新建一個 dataframe?3-2 如何讀取其他資料? (非 csv 的資料) D4：EDA: 欄位的資料類型介紹及處理 D5：EDA資料分佈 D6：EDA: Outlier 及處理 D7：常用的數值取代：中位數與分位數連續數值標準化 D8：DataFrame operationData frame merge/常用的 DataFrame 操作 D9：程式實作 EDA: correlation/相關係數簡介 D10：EDA from Correlation D11：EDA: 不同數值範圍間的特徵如何檢視/繪圖與樣式Kernel Density Estimation (KDE) D12：EDA: 把連續型變數離散化 D13：程式實作 把連續型變數離散化 D14：Subplots D15：Heatmap & Grid-plot D16：模型初體驗 Logistic Regression 2-資料科學特徵工程技術 D17：特徵工程簡介 D18：特徵類型 D19：數值型特徵-補缺失值與標準化 D20：數值型特徵 - 去除離群值 D21：數值型特徵 - 去除偏態 D22：類別型特徵 - 基礎處理 D23：類別型特徵 - 均值編碼 D24：類別型特徵 - 其他進階處理 D25：時間型特徵 D26：特徵組合 - 數值與數值組合 D27：特徵組合 - 類別與數值組合 D28：特徵選擇 D29：特徵評估 D30：分類型特徵優化 - 葉編碼 3-機器學習基礎模型建立 D31：機器學習概論 D32：機器學習-流程與步驟 D33：機器如何學習? D34：訓練/測試集切分的概念 D35：regression vs. classification D36：評估指標選定/evaluation metrics D37：regression model 介紹 - 線性迴歸/羅吉斯回歸 D38：regression model 程式碼撰寫 D39：regression model 介紹 - LASSO 回歸/ Ridge 回歸 D40：regression model 程式碼撰寫 D41：tree based model - 決策樹 (Decision Tree) 模型介紹 D42：tree based model - 決策樹程式碼撰寫 D43：tree based model - 隨機森林 (Random Forest) 介紹 D44：tree based model - 隨機森林程式碼撰寫 D45：tree based model - 梯度提升機 (Gradient Boosting Machine) 介紹 D46：tree based model - 梯度提升機程式碼撰寫 4-機器學習調整參數 D47：超參數調整與優化 D48：Kaggle 競賽平台介紹 D49：集成方法 : 混合泛化(Blending) D50：集成方法 : 堆疊泛化(Stacking) D51-D53 : Mid-term exam : Kaggle competition - Coupon usage prediction 5-非監督式機器學習 D54：clustering 1 非監督式機器學習簡介 D55：clustering 2 聚類算法 D56：K-mean 觀察 : 使用輪廓分析 D57：clustering 3 階層分群算法 D58：階層分群法 觀察 : 使用 2D 樣版資料集 D59：dimension reduction 1 降維方法-主成份分析 D60：PCA 觀察 : 使用手寫辨識資料集 D61：dimension reduction 2 降維方法-T-SNE D62：t-sne 觀察 : 分群與流形還原 6-深度學習理論與實作 D63：神經網路介紹 D64：深度學習體驗 : 模型調整與學習曲線 D65：深度學習體驗 : 啟動函數與正規化 7## -初探深度學習使用 Keras D66：Keras 安裝與介紹 D67：Keras Dataset D68：Keras Sequential API D69：Keras Module API D70：Multi-layer Perception多層感知 D71：損失函數 D72：啟動函數 D73：梯度下降Gradient Descent D74：Gradient Descent 數學原理 D75：BackPropagation D76：優化器optimizers D77：訓練神經網路的細節與技巧 - Validation and overfit D78：訓練神經網路前的注意事項 D79：訓練神經網路的細節與技巧 - Learning rate effect D80：[練習 Day] 優化器與學習率的組合與比較 D81：訓練神經網路的細節與技巧 - Regularization D82：訓練神經網路的細節與技巧 - Dropout D83：訓練神經網路的細節與技巧 - Batch normalization D84：[練習 Day] 正規化/機移除/批次標準化的 組合與比較 D85：訓練神經網路的細節與技巧 - 使用 callbacks 函數做 earlystop D86：訓練神經網路的細節與技巧 - 使用 callbacks 函數儲存 model D87：訓練神經網路的細節與技巧 - 使用 callbacks 函數做 reduce learning rate D88：訓練神經網路的細節與技巧 - 撰寫自己的 callbacks 函數 D89：訓練神經網路的細節與技巧 - 撰寫自己的 Loss function D90：使用傳統電腦視覺與機器學習進行影像辨識 D91：[練習 Day] 使用傳統電腦視覺與機器學習進行影像辨識 8-深度學習應用卷積神經網路 D92：卷積神經網路 (Convolution Neural Network, CNN) 簡介 D93：卷積神經網路架構細節 D94：卷積神經網路 - 卷積(Convolution)層與參數調整 D95：卷積神經網路 - 池化(Pooling)層與參數調整 D96：Keras 中的 CNN layers D97：使用 CNN 完成 CIFAR-10 資料集 D98：訓練卷積神經網路的細節與技巧 - 處理大量數據 D99：訓練卷積神經網路的細節與技巧 - 處理小量數據 D100：訓練卷積神經網路的細節與技巧 - 轉移學習 (Transfer learning) D101-D103 : final exam : Kaggle competition - Dogs and cats classification