1.Python 入門以及套件的學習使用

還不錯的Ｐython 入門影片

經典的W3C School 教學，每個都Check過一遍大概就知道大致是怎樣運作的。

Numpy的應用教學

詳靜的 Pandas 教學

Python-matplotlib的教學

連阿嬤都會的OpenCV教學

Scikit-Learn 教學

seaborn 教學

2.人工智慧相關的數學

• 人工智慧(AI)的數學基礎簡報
• 給所有人的深度學習入門：直觀理解神經網路與線性代數
• 我是如何學習深度學習中的數學的？
• Blog-深度學習(Deep Learning)-數學整理
• 深度學習的數學
• Dive into deep learning-數學基礎
• The Mathematical Engineering of Deep Learning

3.機器學習算法和應用

3.1 機器學習簡介：

我覺得最簡潔易懂的機器學習介紹

機器學習（Machine Learning）是一個廣泛的領域，包含多種不同類型的演算法。以下是一些主要的機器學習演算法分類，以及一些具體的演算法範例：

監督式學習（Supervised Learning）

在監督式學習中，模型是基於帶有標籤的數據集來訓練的。

• 線性回歸（Linear Regression）
• 邏輯迴歸（Logistic Regression）
• 決策樹（Decision Trees）
• 隨機森林（Random Forest）
• 支持向量機（SVM）
• K-最近鄰（K-NN）
• 神經網路（Neural Networks）
• 非監督式學習（Unsupervised Learning）

在非監督式學習中，模型是基於沒有標籤的數據集來訓練的。

• K-均值（K-means）
• 階層聚類（Hierarchical Clustering）
• 主成分分析（PCA）
• 獨立成分分析（ICA）
• 混合高斯模型（Gaussian Mixture Model）
• 半監督式學習（Semi-supervised Learning）

半監督式學習介於監督式學習和非監督式學習之間，使用部分帶有標籤的數據集來訓練。

• 標籤傳播（Label Propagation）
• 自編碼器（Autoencoders）
• 強化學習（Reinforcement Learning）

在強化學習中，一個智能體學習如何在環境中執行動作，以便最大化某種形式的獎勵信號。

• Q-學習（Q-Learning）
• 深度Q網路（DQN）
• 策略梯度（Policy Gradients）
• 集成學習（Ensemble Learning）
  集成學習方法是將多個模型（通常是弱學習器）組合在一起，以改善整體性能。

1. Bagging
2. Boosting
3. Stacking
   這只是一個簡單的概述。每一類都有多種不同的演算法和變體。

============================================================

3.2 常見機器學習算法與應用（如有錯誤拜託通知我）

3.2.1 線性回歸

線性回歸在機器學習領域也是一個非常基礎的模型，通常用作基線模型或者是為了理解數據的基本趨勢。

數學原理

在機器學習的框架下，線性回歸可以被視為一個監督學習問題。我們有一個目標函數（或損失函數）需要最小化。對於線性回歸，這通常是均方誤差（Mean Squared Error, MSE）：


為了最小化這個損失函數，我們可以使用多種優化算法，其中最常見的是梯度下降。

程式碼實現
在 Python 中，我們通常會使用像 scikit-learn 這樣的機器學習庫來實現線性回歸。下面是一個簡單的例子：

from sklearn.linear_model import LinearRegression
import numpy as np
import matplotlib.pyplot as plt

# 生成模擬數據
np.random.seed(0)
X = 2 * np.random.rand(100, 1)
y = 4 + 3 * X + np.random.randn(100, 1)

# 創建線性回歸模型
lin_reg = LinearRegression()

# 訓練模型
lin_reg.fit(X, y)

# 獲取模型參數
print("截距:", lin_reg.intercept_)
print("斜率:", lin_reg.coef_)

# 進行預測
X_new = np.array([[0], [2]])
y_predict = lin_reg.predict(X_new)

# 繪圖
plt.scatter(X, y)
plt.plot(X_new, y_predict, "r-")
plt.axis([0, 2, 0, 15])
plt.show()

在這個例子中，我們使用 scikit-learn 的 LinearRegression 類來創建一個線性回歸模型，然後用 fit 方法來訓練模型。訓練完成後，我們可以用 predict 方法來進行預測。

在熟悉 Tensorflow 和 Pytorch 後,接下來幾天會以傳統的機器學習算法跟應用的介紹為主，之後才會有近幾年比較熱門的電腦視覺(yolo, U-net),自然語言處理相關的算法跟應用, 最後才會有大模型的應用開發, 微調, Lora,以及 stable diffusion 跟 Llama的最前沿的應用介紹。