#大學甄選
#升學競爭實力

• 頂尖資工師資，專業授課
• 週週觀念理解，上機實作
• 讓孩子清楚掌握解題關鍵
• 課程共30堂課（每堂課60分鐘）
  
• 課程學費 45000元

課程規劃

第一階段：數據分析和可視化

課程1: NumPy 基礎
● 內容: NumPy 陣列的創建與操作，基本的數學運算和統計函數。
● 課後作業: 創建一個5x5 的隨機矩陣，計算其每列的平均值與標準差。

課程2: Pandas 基礎(1)
● 內容: DataFrame 和Series 的創建、資料選擇與篩選。
● 課後作業: 使用Pandas 讀取一個CSV 檔案，並篩選出特定條件下的資料。

課程3: Pandas 基礎(2)
● 內容: 資料的匯總、分組和聚合，處理缺失值。
● 課後作業: 以某一個欄位進行分組，計算每組的平均值，並填補數據中的缺失值。

課程4: Matplotlib 和Seaborn
● 內容: 基本數據視覺化圖表的繪製，定制圖表，使用Seaborn 進行高級可視化。
● 課後作業: 使用Matplotlib 繪製折線圖，並用Seaborn 繪製散點圖。

第二階段：機器學習基礎

課程5: 機器學習導論
● 內容: 學習機器學習理論與流程，Scikit-learn 的基本結構與流程，簡單的線性回歸模 型實作。
● 課後作業: 使用Scikit-learn 實現線性回歸，並預測一組隨機生成的數據。

課程6: 常用機器學習算法
● 內容: 介紹常用的機器學習算法，並進行簡單實作。
● 課後作業: 使用Scikit-learn 構建一個隨機森林模型，並在一個簡單的數據集上進行分 類。

課程7: 模型評估和選擇
● 內容: 模型評估指標（如準確率、召回率、F1分數），交叉驗證與模型選擇。
● 課後作業: 在一個二元分類問題上計算準確率、召回率、和F1分數，並進行交叉驗證。

課程8: 深度學習簡介
● 內容: 深度學習的基本概念，簡單的前饋神經網絡結構介紹。
● 課後作業: 使用TensorFlow 或PyTorch 構建一個簡單的兩層神經網絡，並在一個小數 據集上進行訓練。

第三階段：進階機器學習、深度學習、Kaggle 準備

課程9: Kaggle 競賽介紹
● 內容: 了解Kaggle 平台及其競賽流程，選擇一個簡單的競賽開始入手（如Titanic）。 ● 課後作業: 註冊Kaggle 帳號並進入Titanic 競賽，提交你的第一個baseline 結果。

課程10: EDA 和數據清洗
● 內容: 探索性數據分析（EDA）的步驟和技巧，數據清洗的重要性與實踐。
● 課後作業: 針對Titanic 競賽數據，進行EDA 和清洗，並生成清洗後的數據集。

課程11: 模型構建與調參
● 內容: 在Kaggle 競賽中使用不同的機器學習算法構建模型，簡單調參。
● 課後作業: 使用Scikit-learn 在Titanic 競賽中構建至少兩種不同的模型，並比較其性 能。

課程12: 提交與改進模型
● 內容: 了解如何提交Kaggle 競賽結果，根據反饋調整模型。
● 課後作業: 提交你在Titanic 競賽中的模型結果，並根據排名調整你的模型。

課程13: 特徵工程與特徵選擇
● 內容: 特徵工程技術的應用，特徵選擇與降維技術（如PCA）。
● 課後作業: 在Titanic 競賽中嘗試進行特徵工程，並使用PCA 進行降維。

課程14: 模型評估與調優
● 內容: 使用交叉驗證和網格搜索對模型進行評估與調優。
● 課後作業: 使用GridSearchCV 對Titanic 競賽中的模型進行超參數調優。

課程15: 深度學習進階(1)
● 內容: 更深入了解神經網絡結構，介紹卷積神經網絡（CNN）。
● 課後作業: 使用TensorFlow 或PyTorch 實現一個簡單的CNN 模型，並在圖像數據集 上進行訓練。

課程16: 深度學習進階(2)
● 內容: 介紹遞歸神經網絡（RNN）和長短期記憶（LSTM）。
● 課後作業: 使用TensorFlow 或PyTorch 構建一個簡單的LSTM 模型，並在序列數據 上進行訓練。

第四階段：Kaggle 挑戰、深入學習
課程17 ~ 課程20: 進階Kaggle 競賽準備，取得你的第一枚銅牌
● 內容: 選擇一個Kaggle 競賽，了解其數據及問題背景，制定策略。嘗試取得第一枚銅牌 課程20 ~ 課程30: 持續精進並熟悉資料科學的能力，直到取得Expert認證