本期停課日期（遇下列時間則暫停上課一次）
05/19、06/30 停課一次，課程已順延
課程重要公告
（一）本課程為 實體課程 與 線上直播課程 同步進行，擇一參加即可，亦可依自身狀況，時而參加實體課程，時而進行線上課程。
（二）實體課程授課地點於東吳大學城中校區。
（三）線上直播課程的部分，預計以 Google Meet 實施遠距授課為主，確定開課後亦將提供Google Meet操作協助。
（四）因應課程需求，【電腦環境】採用Anaconda以及Jupyter notebook開發環境，學員需於課前事先自行安裝，以利課程進行。
課程內容（一堂課程約３小時/ ４節課，本課程共八堂課約24小時/ 32節課）
05/19、06/30 停課一次，課程已順延
課程重要公告
（一）本課程為 實體課程 與 線上直播課程 同步進行，擇一參加即可，亦可依自身狀況，時而參加實體課程，時而進行線上課程。
（二）實體課程授課地點於東吳大學城中校區。
（三）線上直播課程的部分，預計以 Google Meet 實施遠距授課為主，確定開課後亦將提供Google Meet操作協助。
（四）因應課程需求，【電腦環境】採用Anaconda以及Jupyter notebook開發環境，學員需於課前事先自行安裝，以利課程進行。
課程內容（一堂課程約３小時/ ４節課，本課程共八堂課約24小時/ 32節課）
本課程的設計，會先介紹各種模型的基本原理，全程再將以Python實作為主，帶著學員一步一腳印的寫出程式，甚至轉換為物件導向寫法，強化程式撰寫能力以及模型建立與選擇，並輔以特徵工程的各種調整來增加模型正確率，以及認識各種指標的重要觀念，打破正確率高，該模型就【一定好】的迷思。
預期上課的學員結訓後皆有特徵工程的認知與處理能力、建模、選模、預測、以及熟悉各種重要指標、超參數的選擇與調整。
●人工智慧、機器學習與深度學習基本介紹
●監督式學習與非監督式學習的基本介紹
●非監督式學習之集群分析(Clustering)
●特徵工程(Feature Engineering)
●K-近鄰演算法(k-nearest neighbors, kNN)
●決策樹(Decision Tree)
●支援向量機(Support Vector Machine, SVM)
●基本統計學原理與集成式學習(Ensemble Learning)
●隨機森林(Random Forest)
●eXtreme Gradient Boosting
●Python的pipeline與超參數的選擇與調整
●基本的平行運算概念介紹與Python模組的參數設定來增加建模與選模的執行速度。
★陳祥輝老師Facebook
上過陳祥輝老師課的學員都說！讚！！
