深度學習

從傳統機器學習打好基礎，再進入神經網路、CNN、Word2Vec、自編碼器、GAN 與 Transformer。

學習目標

• 理解降維、分類、分群、決策樹與迴歸
• 從零實作神經網路與反向傳播
• 使用 PyTorch 建立 CNN 與生成式模型
• 實作 Seq2Seq、GAN 與 Transformer

機器學習基礎

• DL01 — 主成分分析（PCA）

  使用 eigendecomposition 從零實作 PCA。

• DL02 — 支援向量機（SVM）

  使用 kernel function 處理非線性可分資料。

• DL03 — K-Means 分群

  逐步實作分群並觀察 cluster 演化。

• DL04 — 決策樹

  在 Iris dataset 上訓練並視覺化決策樹。

• DL05 — 迴歸模型

  建立房價預測線性迴歸模型。

核心深度學習

• DL06 — 從零建立神經網路

  只使用 NumPy 實作全連接網路與反向傳播。

• DL07 — Word2Vec 詞向量

  使用 Skip-gram 與 CBOW 訓練 word embeddings。

• DL08 — CIFAR-10 卷積神經網路

  使用 PyTorch 在 CIFAR-10 上訓練 CNN。

• DL09 — 去噪自編碼器

  使用 MLP 與 CNN 去除 MNIST 雜訊。

進階架構

• DL10 — Seq2Seq 翻譯

  建立 LSTM 英中翻譯模型。

• DL11 — DCGAN 生成模型

  訓練深度卷積 GAN 生成手寫數字。

• DL12 — 從零建立 Transformer

  從零實作字元層級語言生成 Transformer。

接著探索實體 AI或其他 AI 基礎課程。