結合 Python 與深度學習：Kaggle 競賽中的實戰指南

Python 基礎

基本語法

• 變數
• 資料型別
• 控制結構（if, for, while）

函式與模組

• 定義函式
• 使用內建模組
• 第三方模組的使用

物件導向程式設計

• 類別與物件
• 繼承
• 封裝

資料處理與分析

NumPy

• 數學運算
• 陣列操作

Pandas

• 資料框架的操作
• 資料清理與處理

Matplotlib 和 Seaborn

• 資料視覺化
• 繪製圖表來分析資料趨勢

統計與機率

基本統計概念

• 均值、中位數、標準差、分佈等

機率論

• 隨機變數
• 條件機率
• 貝葉斯定理

資料抽樣與假設檢定

• Z檢定
• T檢定
• 卡方檢定

機器學習

Scikit-learn

• 基本機器學習演算法（如迴歸分析、分類、聚類）

模型評估與調整

• 交叉驗證
• 模型選擇
• 超參數調整

特徵工程

• 處理和選擇模型的輸入特徵

深度學習與神經網絡

TensorFlow 或 PyTorch

• 建立和訓練深度學習模型

神經網絡架構

• 前饋網絡
• 卷積神經網絡（CNN）
• 遞歸神經網絡（RNN）

強化學習與生成對抗網絡（GAN）

• 進階技術，適用於特定的AI應用場景

實戰應用

(一) 深度學習模型在Kaggle競賽中的應用

(二) 金融分析與台股投資

請參考附錄A

附錄 A: 金融分析與台股投資

金融分析與台股投資

Quantitative Trading

• 量化交易策略
• 使用程式設計進行自動交易

Financial Analysis

• 財務報表分析
• 技術分析

台股市場規則

• 台灣股票市場的操作規則
• 交易機制

專案經驗與 Portfolio

實戰專案

• 預測股票價格
• 建立交易策略
• 訓練深度學習模型

返回以繼續閱讀

腳註