機器學習

在深度學習爆紅之前，曾經統治了機器學習界長達 20 年的分類器。本篇深入探討 SVM 的核心哲學：最大化邊際 (Margin)，以及處理非線性問題的神奇魔法——核函數 (Kernel Trick)。

決策樹是如何決定每一次的「分叉」？本篇延續分類大師班的結構，透過經典的鳶尾花資料集，深入解析決策樹的核心分裂指標：資訊增益（Information Gain）與吉尼不純度（Gini Impurity）。

為什麼 Netflix 比你還了解你的電影品味？本篇揭開推薦系統神祕的面紗，學習如何利用 SVD (奇異值分解) 將巨大的評分矩陣進行分解，從而挖掘出隱藏的「電影基因」，實現精準的個人化推薦。

面對 30 個維度的數據，人類的視覺已經失靈。本篇透過乳腺癌資料集，展示如何利用 PCA (主成分分析) 進行數據瘦身，將高維度的訊息「壓縮」成 2 維的可視化地圖，並學會讀懂這張地圖背後的變異真相。

為什麼尿布和啤酒會被擺在一起？這不是巧合，而是數據的旨意。本篇深入解析關聯規則的三大支柱：支持度、置信度與提升度，帶你從購籃數據中挖掘出反直覺的商業金礦。

沒有標籤的數據，就像是一堆沒有目錄的圖書。本篇透過商場客戶資料集，帶你掌握分群指標的兩大核心：肘部法與輪廓分析，學習如何科學地從混沌中找出最具商業價值的客戶分群。

為什麼模型在訓練時表現完美，上線後卻一塌糊塗？本篇透過經典的「正則波」實驗，帶你直觀理解偏差 (Bias) 與方差 (Variance) 的博弈，學會如何抓出「只會死背」的過擬合模型。

離開了「是非題」的分類世界，今天我們要進入「填空題」的回歸領域。透過加州房價預測，學習如何用 RMSE 與 R-squared 來衡量模型的精準度，並學會看穿殘差圖背後的真相。

在解決了「如何衡量模型」後，今天我們要進入真實世界的戰場。透過鐵達尼號資料集，學習如何從髒亂的原始數據開始，打好資料前處理的地基，並透過正則化與交叉驗證，打造出強健的分類引擎。