ML100-Days

Kaggle

Enron Fraud Dataset

Kaggle_Flower Identification

Homework

1. 資料清理數據前處理

Day_001 資料介紹與評估指標

Day_002 EDA-1/讀取資料 EDA: Data summary

Day_003 3-1如何新建一個 dataframe? 3-2 如何讀取其他資料? (非 csv 的資料)

Day_004 EDA: 欄位的資料類型介紹及處理

Day_005 EDA: 資料分佈

Day_006 EDA: Outlier 及處理

Day_007 常用的數值取代：中位數與分位數 連續數值標準化

Day_008 DataFrame operation Data frame merge/常用的 DataFrame 操作

Day_009 EDA: correlation/相關係數簡介

Day_010 EDA from Correlation

Day_011 EDA: 不同數值範圍間的特徵如何檢視/繪圖與樣式 Kernel Density Estimation

Day_012 EDA: 把連續型變數離散化

Day_013 把連續的變數離散化

Day_014 Subplots

Day_015 Heatmap & Grid-plot

Day_016 模型初體驗 Logistic Regression

2. 資料科學特徵工程技術

Day_017 特徵工程簡介

Day_018 特徵類型

Day_019 數值型特徵 - 補缺失值與標準化

Day_020 數值型特徵 - 去除離群值

Day_021 數值型特徵 - 去除偏態

Day_022 類別型特徵 - 基礎處理

Day_023 類別型特徵 - 均值編碼

Day_024 類別型特徵 - 其他進階處理

Day_025 時間型特徵

Day_026 特徵組合 - 數值與數值組合

Day_027 特徵組合 - 類別與數值組合

Day_028 特徵選擇

Day_029 特徵評估

Day_030 分類型特徵優化 - 葉編碼

3. 機器學習基礎模型建立

Day_031 機器學習概論

Day_032 機器學習-流程與步驟

Day_033 機器如何學習?

Day_034 訓練/測試集切分的概念

Day_035 regression vs. classification

Day_036 評估指標選定/evaluation metrics

Day_037 regression model 介紹 - 線性迴歸/羅吉斯回歸

Day_038 regression model 程式碼撰寫

Day_039 regression model 介紹 - LASSO 回歸/ Ridge 回歸

Day_040 regression model 程式碼撰寫

Day_041 tree based model - 決策樹 (Decision Tree) 模型介紹

Day_042 tree based model - 決策樹程式碼撰寫

Day_043 tree based model - 隨機森林 (Random Forest) 介紹

Day_044 tree based model - 隨機森林程式碼撰寫

Day_045 tree based model - 梯度提升機 (Gradient Boosting Machine) 介紹

Day_046 tree based model - 梯度提升機程式碼撰寫

4. 機器學習調整參數

Day_047 超參數調整與優化

Day_048 Kaggle 競賽平台介紹

5. 非監督式機器學習

Day_054 clustering 1 非監督式機器學習簡介

Day_055 clustering 2 聚類算法

Day_056 clustering 2 聚類算法

Day_057 clustering 3 階層分群算法

Day_058 clustering 4 階層分群法

Day_059 dimension reduction 1 降維方法-主成份分析

Day_060 dimension reduction 1 降維方法-主成份分析

Day_061 dimension reduction 2 降維方法-T-SNE

Day_062 dimension reduction 2 降維方法-T-SNE

6. 深度學習理論與實作

Day_063 神經網路介紹

Day_064 OPENCV

Day_065 Word2Vec

7. 初探深度學習使用Keras

Day_066 Keras 安裝與介紹

Day_067 Keras Dataset

Day_068 Keras Sequential API全螢幕瀏覽

Day_069 Keras Module API

Day_070 Multi-layer Perception多層感知

Day_071 損失函數

Day_072 激活函數

Day_073 Gradient Descent

Day_074 Gradient Descent 數學原理

Day_075 BackPropagation

Day_076 optimizers

Day_077 訓練神經網路的細節與技巧 - Validation and overfit

Day_078 訓練神經網路前的注意事項

Day_079 訓練神經網路的細節與技巧 - Learning rate effect

Day_080 Compare different combinations of optimizers & learning rates

Day_081 訓練神經網路的細節與技巧 - Regularization

Day_082 訓練神經網路的細節與技巧 - Dropout

Day_083 訓練神經網路的細節與技巧 - Batch normalization全螢幕瀏覽

Day_084 Comparing combinations of Activation function, optimizer and batch_norm or not

Day_085 訓練神經網路的細節與技巧 - 使用 callbacks 函數做 earlystop

Day_086 訓練神經網路的細節與技巧 - 使用 callbacks 函數儲存 model

Day_087 訓練神經網路的細節與技巧 - 使用 callbacks 函數做 reduce learning rate

Day_088 訓練神經網路的細節與技巧 - 撰寫自己的 callbacks 函數

Day_089 訓練神經網路的細節與技巧 - 撰寫自己的 Loss function

Day_090 使用傳統電腦視覺與機器學習進行影像辨識

Day_091 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

Day_092 卷積神經網路 (Convolution Neural Network, CNN) 簡介

Day_093 卷積神經網路架構細節

Day_094 卷積神經網路 - 卷積(Convolution)層與參數調整

Day_095 卷積神經網路 - 池化(Pooling)層與參數調整

Day_096 Keras 中的 CNN layers

Day_097 使用 CNN 完成 CIFAR-10 資料集

Day_098 訓練卷積神經網路的細節與技巧 - 處理大量數據

Day_099 訓練卷積神經網路的細節與技巧 - 處理小量數據

Day_100 訓練卷積神經網路的細節與技巧 - 轉移學習 (Transfer learning)