非監督式學習(Unsupervised Learning)在機器學習領域扮演著一個重要的角色，它的核心特點是能夠自動地對未經標記的數據進行分類(Classification)或分群(Clustering)，而不需要事先知道數據的類別或結構。這種學習方式依賴模型自行辨識數據中的相似性和關聯性，為我們提供了一個強大的工具，以更深入地理解和利用未知數據的內在結構。

非監督學習的主要應用領域有哪些？ 聚類分析(Cluster Analysis)是非監督學習的一個重要應用。當我們面對大量的數據時，它能幫助我們將相似的數據點分為不同的群組。例如，在零售業中，這可用於識別擁有相似購買習慣的客戶，以便更精準地制定促銷策略和產品推廣方案。 關聯規則(Association Rule)可從大量的銷售數據中找出潛在的商品關聯，例如，如果一個顧客購買了某種產品，那麼他們也有可能購買另一種產品。這有助於商家建立更具吸引力的商品組合和促銷活動。異常檢測 (Anomaly Detection)檢測與正常數據分布不同的異常數據。在監控系統、金融詐騙檢測等領域有廣泛應用。降維(Dimensionality Reduction)能夠減少數據的特徵維度，同時保留數據的主要結構，被應用在可視化、特徵提取、噪聲過濾等方面。推薦系統(Recommendation System)則是分析用戶過去的行為和偏好，為他們提供個性化的建議，例如，推薦音樂、電影、商品或文章。這使得用戶能夠更容易地發現他們可能感興趣的內容，同時也促進了交叉銷售和用戶參與。此課程將帶你快速掌握各種非監督式學習演算法，並使用scikit-learn實作應用。

1. 帶你快速掌握非監督式學習 – Data Mining資料探勘，探索資料的秘密，結合自身領域，運用數據探索有用資訊，挖掘商機、解決問題，在各產業發光發熱。
2. 面對大量的資料數據，標記無疑是個大工程，學會善用非監督式學習，讓AI助你發現數據中的規律和關聯。
3. 有助於iPAS巨量資料分析師、iPAS機器學習工程師能力鑑定證照考試準備。

1. 掌握非監督式學習演算法，包括分群、關聯規則、維度縮減和推薦系統。
2. 了解不平衡資料的處理方法。
3. 會使用scikit-learn，了解如何應用這些演算法。
4. 能以Python實作演算法以提升程式實戰能力。

• 投影片講授及配合程式實例進行演練
• 有課堂練習

1. 想學習如何運用非監督式學習演算法者。
2. 想透過AI來結合本業know-how增強職能。
3. 欲準備並取得AI相關證照者。
4. 想從事數據分析運用相關工作者

資料分析師 | 數據工程師 | AI工程師 | 機器學習工程師 |
巨量資料分析師 | 軟體工程師 | 演算法工程師 |
商業數據分析師 | AI應用工程師 | AI產品經理

建議具有下列知識基礎尤佳

1. 基礎Python程式設計能力
2. 基礎機器學習

• 課程總時數：20小時
• 觀看天數：30天
• 精編教材：
  • 精編講義、範例程式碼
  • 詳細Code 解說且程式範例檔案分類整理
  • 線上助教系統

• Data Analysis
  • Overview of Data Analysis
  • Importance of EDA

• Anomaly Detection
  • Handling Imbalanced Data
  • Evaluation Metrics for Anomaly Detection
    • Precision-Recall Curve (PR Curve)
    • Area Under the Curve (AUC)
  • Anomaly Detection using Supervised Learning
  • Supervised vs. Unsupervised Anomaly Detection

• Dimensionality Reduction with PCA
  • Introduction to Dimensionality Reduction
  • Principal Component Analysis (PCA) Algorithm
  • Anomaly Detection using PCA

• Clustering Algorithms
  • Introduction to Clustering
  • K-Means Algorithm
  • Evaluating Clustering Results
  • Hierarchical Agglomerative Clustering (HAC) Algorithm
  • DBSCAN Algorithm
  • HDBSCAN Algorithm

• Association Rule Algorithms
  • Apriori Algorithm
  • FP-Growth Algorithm
  • Eclat Algorithm

• Recommender Systems
  • Introduction to Recommender Systems
  • Collaborative Filtering
    • User-Based Collaborative Filtering
    • Item-Based Collaborative Filtering
  • Matrix Factorization/Decomposition Methods