自學機器學習：上Kaggle接軌世界，成為資料科學家

[簡要目錄]
第1章 善用 Kaggle 平台打造機器學習
第2章 機器學習的基礎
第3章 建立迴歸與度提升決策樹模型（Gradient Boosting Decision Tree Model, GBDT Model）
第4章 運用神經網路進行圖像辨識
第5章 運用卷積神經網路（Convolutional Neural Network, CNN）做圖像分類
第6章 研究學習率與批次大小
第7章 使用「集成（Ensemble）」來辨識一般物體
第8章 遷移式學習（Transfer Learning）
第9章 循環神經網路（Recurrent Neural Network, RNN）

[完整目錄]
第1章 善用 Kaggle 平台打造機器學習
1.1 Kaggle 平台介紹
1.2 參加流程
1.3 Notebook 使用說明

第2章 機器學習的基礎
2.1 機器學習的任務類型
2.2 不同任務的評價指標（Evaluation Metric）
2.3 機器學習的資料集
2.4 資料的預處理
2.5 建立模型
2.6 模型驗證（Validation）

第3章 建立迴歸與度提升決策樹模型（Gradient Boosting Decision Tree Model, GBDT Model）
3.1 資料預處理
3.2 訓練迴歸（Regression）模型
3.3 建立梯度提升決策樹（Gradient Boosting Decision Tree, GBDT）模型
3.4 運用 LASSO 迴歸與梯度提升決策樹進行集成（Ensemble）、預測

第4章 運用神經網路進行圖像辨識
4.1 運用神經網路處理「Digit Recognizer」圖像辨識
4.2 使用貝氏優化作超參數微調（Fine Tune）

第5章 運用卷積神經網路（Convolutional Neural Network, CNN）做圖像分類
5.1 運用強大的深度學習（Deep Learning）來解決圖像分類
5.2 運用資料擴增（Data Augmentation）讓卷積神經網路變得更聰明

第6章 研究學習率與批次大小
6.1 學習率衰減
6.2 用步進衰減調降學習率
6.3 使用循環性學習率（Cyclical Learning Rate, CLR）讓學習率在固定範圍週期變化
6.4 假如要調降學習率，就增加批次大小！

第7章 使用「集成（Ensemble）」來辨識一般物體
7.1 什麼是集成？
7.2 在圖像分類當中使用多數決集成
7.3 使用不同結構的模型來實驗平均集成

第8章 遷移式學習（Transfer Learning）
8.1 「Dogs vs. Cats Redux: Kernels Edition」圖像辨識
8.2 使用遷移式學習，移植 VGG16 來提高準確率
8.3 微調 VGG16

第9章 循環神經網路（Recurrent Neural Network, RNN）
9.1 循環神經網路與長短期記憶網路（Long Short-Term Memory, LSTM）
9.2 預測售價所需的資料預處理
9.3 使用循環神經網路來預測價格
9.4 使用 Ridge 模型進行集成（Ensemble）