機器學習與深度學習完整指南
從傳統機器學習到深度學習、LLM 的完整學習資源。
📊 文檔統計
- 原始檔案: 91 個 markdown 文檔
- 整合索引: 5 個主題文檔
- 精簡比例: 95%
- 內容保留: 100%（索引式整合）
🗂️ 主題分類
📗 傳統機器學習
01. 機器學習基礎
完整教學系列、演算法實作 | 難度: ⭐⭐
核心內容：
- 全民瘋AI系列2.0 (30天完整教學)
- 新手也能懂得AI (27篇系列)
- 監督式/非監督式學習
- 集成學習 (XGBoost/LightGBM/CatBoost)
- 進化演算法 (GA/DEAP)
- 模型驗證與部署
適合: ML 新手、需要系統化學習傳統機器學習
📘 深度學習
02. 深度學習與 PyTorch
PyTorch 框架、圖像識別 | 難度: ⭐⭐⭐
核心內容：
- PyTorch 安裝與基礎
- 圖像識別與人臉辨識
- YOLO 物件偵測
- YOLOv8 手勢識別
- AI 訓練技巧
- Roboflow 標註工具
適合: 深度學習開發者、電腦視覺應用
📙 大型語言模型
03. 大型語言模型 LLM
LLM 推理、微調、部署 | 難度: ⭐⭐⭐⭐
核心內容：
- LLM 使用原理
- 推理優化技巧
- 開源 LLM 微調
- Ollama 本地部署
適合: NLP 開發者、LLM 應用開發
📙 自動化機器學習
04. AutoML 自動化機器學習
Auto-sklearn、Optuna | 難度: ⭐⭐⭐
核心內容：
- AutoML 概念與工具
- Auto-sklearn 自動化訓練
- Optuna 超參數優化
- 自動化流程設計
適合: 需要快速原型開發、超參數調整
📙 高性能計算
05. 高性能計算
GPU 加速、cuDF | 難度: ⭐⭐⭐⭐
核心內容：
- cuDF GPU 資料處理
- CUDA 整合
- 大規模資料加速
- RAPIDS 生態系統
適合: 大資料處理、高性能需求
🎯 學習路徑建議
新手路徑（4-8週）
第一階段：機器學習基礎
- 機器學習基礎
- 全民瘋AI系列2.0 (Day 1-10)
- 學習基本演算法
- 實作簡單專案
第二階段：深度學習入門
- 深度學習與 PyTorch
- 安裝 PyTorch 環境
- 圖像分類任務
- 人臉辨識專案
第三階段：實戰練習
- 完成一個端到端專案
- 使用 AutoML 工具
- 部署模型到生產環境
進階路徑（2-4個月）
深度學習進階
- 深度學習與 PyTorch
- YOLO 物件偵測
- YOLOv8 客製化訓練
- 模型優化技巧
自動化與優化
- AutoML 自動化機器學習
- Optuna 超參數調整
- Auto-sklearn 自動化
- 模型集成策略
LLM 應用
- 大型語言模型 LLM
- LLM 推理優化
- 模型微調
- Ollama 本地部署
專家路徑（持續學習）
高性能計算
- 高性能計算
- GPU 加速資料處理
- CUDA 程式設計
- 分散式訓練
生產級部署
- 模型壓縮與量化
- 推理服務優化
- 監控與維護
前沿技術
- LLM 最新進展
- Transformer 架構
- 多模態學習
💡 使用說明
學習機器學習基礎
→ 機器學習基礎 - 30天完整教學
深度學習與圖像處理
→ 深度學習與 PyTorch - YOLO/人臉辨識
大型語言模型
→ 大型語言模型 LLM - 推理/微調/部署
自動化訓練
高性能處理
→ 高性能計算 - GPU 加速
🔗 相關資源
其他章節
- 電腦視覺 CV - 圖像處理進階
- Python 程式設計 - Python 技巧
- HFT 高頻交易 - 量化交易應用
外部資源
📊 快速參考
常用演算法
| 任務類型 | 推薦演算法 | 難度 |
|---|---|---|
| 分類 | XGBoost, Random Forest, SVM | ⭐⭐ |
| 迴歸 | Linear Regression, XGBoost | ⭐⭐ |
| 分群 | K-means, DBSCAN | ⭐⭐ |
| 降維 | PCA, t-SNE | ⭐⭐⭐ |
| 圖像識別 | CNN, YOLO | ⭐⭐⭐⭐ |
| NLP | Transformer, BERT, LLM | ⭐⭐⭐⭐ |
工具選擇
| 場景 | 工具 | 說明 |
|---|---|---|
| 傳統ML | Scikit-learn | 易用、完整 |
| 深度學習 | PyTorch | 靈活、研究友善 |
| AutoML | Auto-sklearn, Optuna | 自動化 |
| 大資料 | cuDF, RAPIDS | GPU 加速 |
| LLM | Ollama, Hugging Face | 模型推理 |
🚀 快速開始
機器學習專案流程
# 1. 資料載入與探索
import pandas as pd
df = pd.read_csv('data.csv')
# 2. 資料前處理
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)
# 3. 模型訓練
from xgboost import XGBClassifier
model = XGBClassifier()
model.fit(X_train, y_train)
# 4. 模型評估
from sklearn.metrics import accuracy_score
y_pred = model.predict(X_test)
print(f"Accuracy: {accuracy_score(y_test, y_pred)}")
# 5. 模型儲存
import joblib
joblib.dump(model, 'model.pkl')
PyTorch 深度學習流程
# 1. 匯入套件
import torch
import torch.nn as nn
# 2. 定義模型
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.fc = nn.Linear(10, 2)
def forward(self, x):
return self.fc(x)
# 3. 訓練模型
model = Net()
optimizer = torch.optim.Adam(model.parameters())
criterion = nn.CrossEntropyLoss()
for epoch in range(100):
optimizer.zero_grad()
output = model(X)
loss = criterion(output, y)
loss.backward()
optimizer.step()
最後更新: 2025-12-01 維護狀態: ✅ 活躍更新 貢獻: 歡迎補充與修正