資料探勘一步到位: 原理與分類/聚類演算

┃這堂課教什麼？

本課程透過深入淺出的生活案例，減少同學對數字的恐懼，讓學員可以輕鬆了解資料探勘與機器學習原理與技巧，以及相關的差異，進而有能力進行選擇適合的演算法，進行資料分析幫助企業決策。
課程重點
✔ 資料探勘原理
✔ 關聯規則的觀念與使用技巧
✔ 分類原理的觀念
✔ 分類方法、決策樹、簡單貝式分類
✔ 聚類原理的觀念
✔ K-Means、階層聚類技術、DBSCAN密度式聚類法

┃這堂課有多厲害？

✔ 資料探勘-非學不可的理由

自從2016年AlphaGo挑戰韓國棋聖一戰成名後，不只震撼全球，更讓其實作原理的機器學習與資料探勘，再度吸引到世人的目光。然而資料探勘與機器學習不是只能讓電腦下圍棋，從電商網頁購物車裡推薦消費者專屬商品，到製造業工廠機台的自動控制甚至預防性維護、品質控管、原物料預測，到現在各大汽車廠所將推出的汽車自動駕駛控制系統，都再再可以看到資料探勘與機器學習所應用的身影。

本次課程將利用生動活潑的企業案例，配合講師豐富的經驗與深入淺出的講解，不用生硬的數學公式，讓人能輕鬆的吸收資量探勘箇中的奧妙，藉由瞭解各種資量探勘演算法的不同，進而同學有能力能選擇所適合的工具方法，讓資料不再是吃空間或硬碟的雜物，而是幫助企業決策的一盞明燈。

┃學習資料探勘有什麼好處呢？

✔ 學生：瞭解資料分析的原理，作為進入大數據分析領域的基礎，進行量化研究論文的工具

✔ 求職者：提升職前技能、擴大就業市場、自信加分、面試加分、薪資提高

✔ 在職者：

 (1) 資料分析師：瞭解資料分析的原理，增加資料分析的工具

 (2) 中高階主管：了解資料分析演算法的優缺點、擬定策略更明確

┃學了資料探勘可應用在哪裡？

✔ 瞭解資料分析的原理原則

✔ 選擇適合的演算法

✔ 判讀資料分析結果

✔ 幫助企業執行資料分析策略擬定

┃大概需要花多時間學習？ 

課程時長：3.7小時
單元總數：3大單元
課程測驗：19個課中小測驗，讓你吸收更紮實！

┃講師是誰？

【陳士杰】
國際認證Oracle 10g OCE與OCA種子教師,目前任教於大專院校資管系,具備豐富的實務教學經驗,專長為資訊檢索、資料探勘、機器學習和模糊理論等領域。熟習利用分析技術於生物資訊和生理訊號之創新應用服務設計和開發。

┃課程大綱

第一單元：資料探勘概論與關聯規則
-學習資料探勘的技巧
-資料探勘的意義
-資料探勘的主要技術(點這邊看看試閱)
-資料探勘的潛在應用
-小測驗：資料探勘概念問答
-關聯規則概念
-關聯規則相關術語
-支持度與信賴度之說明
-小測驗：術語認識
-Apriori演算法概念與執行步驟
-Apriori演算法執行範例1
-Apriori演算法執行範例2
-小測驗：理解Apriori演算法之執行
-如何由頻繁項目集找出關聯規則
-小測驗：由頻繁項目集找出關聯規則的作法
-FP-Growth演算法概念與執行步驟
-執行範例-步驟1：掃描DB
-執行範例-步驟1：建立FP-tree
-執行範例-步驟2：建構條件模式庫
-執行範例-步驟2：產生頻繁項目集
-使用FP-tree的特性
-小測驗：FP-Growth演算法的步驟細節
-支持度與信賴度的批評
-小測驗：支持度與信賴度的批評

第二單元：分類概念
-分類的意義
-衡量分類模型的正確性
-小測驗：分類概念問答
-決策樹概念與基本建構流程
-屬性選擇指標與屬性分割之說明
-ID3決策樹演算法概念與執行步驟
-ID3決策樹演算法執行範例
-小測驗：理解ID3決策樹演算法之執行
-C4.5決策樹演算法
-小測驗：理解C4.5演算法與ID3演算法的不同
-基礎機率概念回顧
-簡單貝氏分類法
-簡單貝氏分類法討論及Laplace Estimator
-小測驗：簡單貝氏分類法討論
-貝氏信念網路
-貝氏信念網路範例
-小測驗：貝氏信念網路的過程

第三單元：聚類概念
-聚類的意義
-小測驗：聚類概念問答
-K-Means法運作概念及其演算步驟
-K-Means法運作範例
-K-Means法討論
-小測驗：K-Means法概念問答
-階層聚類技術概念與基本演算法
-三種階層聚類方法概念
-小測驗：階層聚類方法認識
-階層聚類方法 (1)：Min法及其範例、特性說明
-小測驗：理解Min階層聚類演算法
-階層聚類方法 (2)：Max法及其範例、特性說明
-小測驗：理解Max階層聚類演算法
-階層聚類方法 (3)：群平均法及其範例、特性說明
-小測驗：理解群平均階層聚類演算法
-DBSCAN密度式聚類法概念與基本術語 (1)
-DBSCAN密度式聚類法概念與基本術語 (2)
-小測驗：DBSCAN密度式聚類法討論
-DBSCAN演算步驟與範例
-DBSCAN密度式聚類法討論
-小測驗：DBSCAN密度式聚類法步驟與特性