课程介绍：
机器学习及深度学习应用课程：课程案例涵盖了产品营销、中小企业借贷、电信业客户流失、共享住宿价格预测等多个领域，使学员能够应对不同领域的实际问题，并灵活运用机器学习技术解决挑战。
强调文本分析技术：课程特别关注英文和中文文本分析技术，学员将学习英文和中文文本数据的预处理方法、情感分析、关键词提取等技术，培养学员在文本数据处理方面的专业能力。
结合Hugging Face经典模型：课程将介绍Hugging Face经典英文和中文语言模型的使用，并与传统机器学习模型进行比较。学员将了解最新的自然语言处理技术，并能够评估和选择适合的模型来解决实际问题。
课程收获：
掌握利润*化学习技术，并应用于产品营销模型的建置
掌握目标类别不平衡学习技术，并应用于银行贷款模型的建置
掌握半监督式机器学习技术，并应用于电信客户流失模型的建置
掌握并实现集成学习技术，并应用于共享住宿日租价格模型的建置
掌握英文文本分析的流程及预处理技术
实作社群网站的英文贴文响应分析模型
实作社群网站的英文贴文情绪分析模型
实作电影网站的电影评分模型
实作产品分类预测模型
运用Hugging Face的大型英文预训练语言模型解决英文文本分析的问题
掌握中文文本分析的流程及预处理技术
实作消费者评论的情绪分析模型
实作不当评论的分析模型
实作从产品的图片及产品的描述信息，预测相同产品的分析模型
实作AI文章鉴识预测模型
运用Hugging Face的大型中文预训练语言模型解决中文文本分析的问题
课程内容：
1章进阶机器学习技术(半监督式学习、利润*化学习、目标类别不平衡学习、集成学习)及实操案例分享
1-1传统模型评估方法与利润*化评估方法
1-2增益图与利润图
2章案例一：利润*化模型实作:以产品营销模型为例(2018/12考题)
2-1目标类别不平衡的问题
2-2目标类别不平衡的处理方式
3章案例二：目标类别不平衡模型实作:找出有资金需求的中小企业借贷户并销售其贷款产品(2019/12考题)
3-1传统监督学习方法与非监督学习方法
3-1半监督学习方法概述
4章案例三：半监督学习模型实作:以电信业客户流失模型为例(2019/6考题)
4-1传统学习与集成学习
4-1集成学习的分类：模型融合与机器学习元算法
5章案例四：集成学习方法实作与比较:从租赁特征、房源特征、房主特征、位置特征、以及声誉特征的信息，预测共享住宿的日租价格(2022/9考题)
6章英文文本分析技术、Hugging Face经典英文模型使用及实操案例分享
6-1文本分析简介及文本分析流程
6-2英文文本数据预处理方法(词性标注、字根还原、停用词处理、关键词撷取、词袋模型)
7章案例五：英文文本分析模型实作:从贴文的信息中预测此贴文是否能获得高响应(2021/3)
8章案例六：英文文本分析模型实作:从贴文的短信息中识别此贴文的情绪(2021/6)
9章案例七：英文文本分析模型实作:从使用者过去的观影行为、电影名称以及电影剧情描述的信息，预测使用者对电影的评分(2022/06)
10章案例八：英文文本分析模型实作:从产品描述的信息中，预测产品类别(2022/12)
10-1Hugging Face经典英文语言模型使用并与传统机器学习模型比较
11章中文文本分析技术、Hugging Face经典中文模型使用及实操案例分享
11-1中文文本数据预处理方法(分词、词性标注、停用词处理、关键词撷取、词嵌入模型)
12章案例九：中文文本分析模型实作:从产品的消费者评论中识别此评论的情绪是正评或负评(2021/09)
13章案例十：中文文本分析模型实作:从评论信息中识别此评论是否为不当的评论(2021/12)
14章案例十一：中文文本分析模型实作:从产品的图片及产品的描述信息中，预测哪些是相同的产品(2023/03)
15章案例十二：中文文本分析模型实作:从文章的描述信息中，预测此文章是否由AI所产生出来的(2023/06)
15-1Hugging Face经典中文语言模型使用并与传统机器学习模型比较
