Machine Learning

本區整理機器學習、深度學習、特徵工程與資料科學面試核心觀念。內容偏向觀念釐清、實作心法與面試可用的知識框架。

Start Here

1. Géron《Hands-On ML》Ch1–9 重點整理
2. ML 面試核心觀念
3. 特徵工程心法
4. 深度學習訓練基礎

Learning Paths

想補 ML 基礎

• Géron《Hands-On ML》Ch1–9 重點整理
  從端到端 ML 專案、分類、訓練模型、SVM、決策樹到 ensemble 建立基礎地圖。
• 特徵工程心法
  整理特徵設計、轉換、選擇與資料洩漏等實務重點。

想建立實務評估與工作流

• 模型評估與 Cross-Validation 實務
  指標選擇、CV 策略（StratifiedKFold / GroupKFold / TimeSeriesSplit）、Nested CV 與常見陷阱。
• sklearn Pipeline 與資料前處理模板
  ColumnTransformer、自訂 Transformer、GridSearchCV 整合到儲存部署的完整可複製模板。
• 常見 ML Case Study：分類、回歸、時間序列與推薦
  四種任務類型的端到端解題思路、典型陷阱與程式碼骨架。

想準備 DS / ML 面試

• ML 面試核心觀念
  聚焦 bias-variance、regularization、metrics、tree models、validation 等常考觀念。
• 深度學習訓練基礎
  整理 activation、optimization、initialization、normalization 與訓練穩定性。