104學習精靈

1. 利用程式爬蟲爬取台灣加權指數股價 2. 瞭解台灣股市中最好用的 K 線型態 3. 製作各種財務數據、技術指標 4. 各種機器學習的模型：SVM、Random Forest、Neural Network、LSTM、Reinforcement Learning 5. 瞭解上述機器學習背後的數學含意 6. 利用上述指標來訓練機器學習模型，來預測股價 7. 瞭解機器學習為什麼覺得這支股票會漲？ 8. 坊間不會教的股票機器學習小撇步 9. 利用機器學習來製作選股策略

對初學者來說，要進入 AI 與資料科學的領域並不容易，除了程式基礎，還需要有數學與統計的相關知識，一般人往往在這兩個關卡中敗下陣來，透過親身實作，自主學習才能真正掌握 AI 與資料科學的學習精髓。

0. 了解什麼是機器學習，什麼時候可以使用，什麼時候無法使用。 1. 使用 scikit-learn 解決的分類問題(像是預測使用者會不會購買)以及迴歸問題(像是預測使用者購買金額) 2. 使用 PyTorch 以別人(Google等世界級研究單位)預先訓練好的模型解決自己的影像分類的問題。可以應用在各個領域，如物品分類、人臉辨識、生醫影像等等。 3. 機器學習比賽的流程，並且在比賽中取得好成績豐富你的履歷。 4. 合理的驗證模型成效、當模型成效不好時知道該如何調整、很多想法如何評估哪個 CP 值最高等比賽或是工作上都很有用的實戰技巧。 5. 如何做一個吸引人的機器學習 side project 充實作品集。 6. 了解資料科學家的工作內容以及需要的能力。 7. 履歷撰寫技巧以及如何回答面試遇到的案例問題。

1. 具備 Machine Learning 基礎知識 2. 具備 Machine Learning 問題類型梳理的能力 3. 具備 Machine Learning 開發流程的能力 4. 具備使用 Azure 機器學習工作室的能力 5. 具備資料清理、特徵工程、訓練模型、模型驗證和發布模型能力 6. 具備獨立建模的能力

1. 學會使用 Pandas 進行資料分析、Scikit-learn 套用 Machine Learning Model、使用視覺化的套件，並使用這些知識運用在平日學校或是工作上的分析報告 2.學會獨立分析資料的思維，有能力自行參與 Kaggle 上面的競賽以及股市預測模型

1. 學習 Python 的進階觀念與語法 2. 體驗製作專案時的各種細節設計考量 3. 同時見識進階觀念與語法的使用 4. 學會用良好的方式結構具有複雜性的程式專案 5. 學會將專案打包成套件並上傳 6. 學會爬蟲處理不同網站的觀念、爬法 7. 學會使用資料庫 (包括 NoSQL 與 SQL) 8. 延伸教材 - 學會使用 Selenium 瀏覽器自動化 9.延伸教材 - 製作空氣品質監控專案 10.延伸教材 - 認識人工智慧、機器學習、深度學習