從資料思維出發，走過傳統機器學習與深度學習（影像／文字），建立可帶進職場的實作能力。 課程採「地基 → 橋梯」結構，內容停在生成式 AI 之前。
⏱ 每日上課 09:00–12:00、13:00–18:00 · 12:00–13:00 午休 · 每日 8 小時
| Day | 上午 · 09:00–12:00 · 3h | 下午 · 13:00–18:00 · 5h | Lab（課堂） | 作業 Assignment |
|---|---|---|---|---|
| 1Day One | M0啟動與心智模型AI／ML／DL 全貌・Colab + pandas 暖身 | M1·1資料分析地基資料型態・清理・缺值・離群值 | 環境設定 + pandas 清理真實資料集 | R: HW1 資料清理 |
| 2Day Two | M1·2EDA 與視覺化敘述統計・分布・相關・圖表 | M2·1監督式學習起步訓練／測試切分・回歸預測 | EDA 探索 → 第一個線性回歸模型 | D: HW1 · R: HW2 回歸 |
| 3Day Three | M2·2分類模型邏輯回歸・決策樹・隨機森林 | M2·3 + M3評估與特徵工程混淆矩陣・過擬合・交叉驗證・分群/降維 | 分類 → 評估 → 特徵工程 → K-means | D: HW2 · R: HW3 ML pipeline |
| 4Day Four | M4深度學習入門神經網路・訓練機制直覺・Keras | M5影像深度學習CNN 直覺・遷移學習・影像分類 | 表格神經網路 → 遷移學習影像分類 | D: HW3 · R: HW4 影像分類器 |
| 5Day Five | M6文字／序列 DL詞嵌入・序列模型・文字分類 | M7整合 + Capstone端到端流程・職場議題・專題發表 | 文字分類 → 迷你 Capstone 實作 | D: HW4 · D: Capstone 發表 |
在 Colab 建立環境，用 pandas 載入並清理一份真實的 messy 資料集。
完成資料清理 notebook：給定一份髒 CSV，輸出乾淨資料表並文字說明處理邏輯。
對資料做 EDA 與視覺化探索，接著用 scikit-learn 建立第一個線性回歸模型。
撰寫一份 EDA 報告，並訓練一個回歸模型、解讀其係數與誤差。
完成一個分類任務並評估，動手改善特徵，並體驗 K-means 分群。
建立一條完整的表格 ML pipeline（分類 + 特徵工程 + 評估），繳交模型與評估報告。
先用 Keras 訓練表格神經網路，再用遷移學習完成一個影像分類器。
用遷移學習，針對自選主題的小資料集做出一個影像分類器並評估。
先完成文字分類實作，下午進入 Capstone 專題實作衝刺。
迷你 Capstone 作品（表格／影像／文字 三選一）+ 5 分鐘成果發表。
本課程刻意停在生成式 AI 之前。具備上述基礎後，可自然延伸到以下主題（屬於第二階段課程），銜接點建立在 Day 5 的詞嵌入與序列模型之上。