機器學習馬拉松：總結與未來藍圖
歷經一系列修煉，我們從最基礎的分類器，一路挺進到深度學習、強化學習、RAG 與電腦視覺。這篇總結為你整理了完整的 30 天攻略目錄，並為我們的下一段 AI 旅程定下新目標。
WRITTEN BY
- Name
- Harry Chang
這個系列的初衷，其實是為了將過去所學的各種 AI 演算法與底層知識，透過每天的「實戰練習」與「筆記輸出」，重新淬鍊成有系統的知識庫。為什麼要花這麼多力氣去搞懂那些傳統的數學公式跟神經網路架構？因為這一切，都是為了打下最堅實的基礎，為我們後續即將邁入的 「AI Agent (代理人 AI) 時代」 鋪路！
📚 機器學習完整目錄
1. 機器學習基礎與實戰
- Day 01: ML基礎全景指南：從 Scikit-Learn 演算法地圖到四大實戰任務
- Day 02: 監督學習-分類模型評估-乳腺癌診斷數據為例
- Day 03: 模型優化策略-合成正弦波數據為例
- Day 04: 監督學習-分類模型-資料預處理&模型優化-鐵達尼號數據為例
- Day 05: 監督學習-回歸模型評估-加州房價預測為例
- Day 06: 非監督學習-分群指標-商場客戶分割為例
- Day 07: 非監督學習-關聯規則-以尿布與啤酒為例
- Day 08: 非監督學習-PCA 降維-以乳腺癌診斷數據為例
- Day 09: 非監督學習-推薦系統實戰-以MovieLens 100k為例
- Day 10: 集成學習-GBDT實戰指南：以鐵達尼號數據為例
- Day 26: 可解釋 AI (XAI) - LIME、SHAP 與 CFE 解析黑盒子
- Day 31: 監督學習：決策樹的智慧——資訊增益與吉尼不純度
- Day 32: 監督學習：支持向量機 (SVM) - 乳癌檢測
2. 深度學習與神經網路
- Day 11: 深度學習 - 神經網路的覺醒：從神經元到數位大腦
- Day 12: 深度學習 - 以MNIST 手寫數字辨識為例
- Day 13: 深度學習 - 影像辨識 - 卷積神經網路(CNN) - 以CIFAR-10為例
- Day 14: 深度學習 - 遷移學習 - 以VGG修改為10類分類為例
- Day 15: 深度學習 - 循環神經網路 (RNN)：以股票預測為例
- Day 16: 深度學習 - 長短期記憶網路(LSTM)：以股票預測為例
3. 自然語言
- Day 15: NLP - 循環神經網路 (RNN)：以股票預測為例
- Day 17: NLP - 文字向量化 - Word2Vec：IMDB Movie Reviews
- Day 37: NLP - Seq2Seq 與 Attention：機器翻譯的偉大革命
- Day 18: NLP - Transformer：Self-Attention 機制
- Day 38: NLP - BERT vs GPT：雙向理解與單向生成的世紀對決
- Day 39: NLP - 高效微調技術 (LoRA)：如何用一張顯卡馴服百億參數的大模型
4. 生成式 AI
- Day 19: 生成式 AI - GAN：偽鈔犯與警察的對抗
- Day 20: 生成式 AI - AutoEncoder 與 VAE
- Day 21: 生成式 AI - 擴散模型 (Diffusion Model)
- Day 27: 生成式 AI - 讓 AI 讀懂你的資料：檢索增強生成 (RAG)
5. 強化學習與可解釋性
- Day 22: 強化學習 (RL) - Q-Learning
- Day 23: 強化學習 (RL) - DQN
- Day 24: 強化學習 (RL) - Policy Gradient
- Day 25: 強化學習 (RL) - PPO
6. 電腦視覺
- Day 13: 電腦視覺 - 影像辨識 - 卷積神經網路(CNN) - 以CIFAR-10為例
- Day 28: 電腦視覺 - 物件偵測 - YOLO
- Day 33: 電腦視覺 - 影像分割 - U-Net
- Day 34: 電腦視覺 - 文字辨識 (OCR) - 車牌辨識系統
- Day 35: 電腦視覺 - 影像追蹤 - 車流量計算
- Day 36: 電腦視覺 - 姿態估計 - 動作辨識實戰
7. 語音
- Day 29: 語音 AI - 語音辨識 (STT) 與語音合成 (TTS)
下一步驟：為下一季的播種翻鬆土壤
完成這些技術文章是打下了紮實的底層邏輯。在梳理完這幾十種演算法與架構後，對於 AI 的實際落地有了更多想做的事情。
1. Agent 的「思維與決策」大腦：深研 Andrew Ng 與 Shunyu Yao
讓 Agent 變聰明的關鍵在於「思考框架」。未來我將深研 Andrew Ng (吳恩達) 大力提倡的「Agentic Design Patterns (代理設計模式)」，以及 Shunyu Yao 提出的 ReAct 與 Tree of Thoughts (ToT) 理論。我不想只停留在了解「API 怎麼串」，更要仔細分析「為什麼 Agent 需要這樣反思與規劃」，藉此淬鍊出打造頂尖 AI 大腦的底層邏輯。
2. 多智能體協作 (Multi-Agent) 框架：效法 Harrison Chase 與 João Moura
在 AI 協作架構的雕琢上，我選擇了 LangChain 創辦人 Harrison Chase 與 CrewAI 創辦人 João Moura 作為導師。從單兵作戰走向「一群虛擬專家的互相協作」，持續拓展 Agent 處理複雜任務的邊界，並將多角色對話機制落實到商業場景中，是我未來設計 AI 自動化藍圖的準則。
3. 真實世界的自動化實踐：Agentic AI 實驗室
對於 Agent 技術，希望能跳脫純理論，把學習化為真實的「動手做」。未來嘗試規畫更多讓 Agent 實際呼叫外部工具、自動爬取投資數據、甚至自我除錯的微型實驗。讓大家在感受工作效率翻倍的過程中，親自去體驗 AI Agent 驅動這個世界運作的奇妙。