機器學習(Machine Learning)

特徵工程

• Mastering Feature Engineering in Machine Learning: A Comprehensive Guide
• What Is “Feature Engineering” and Why Models Love It More Than Algorithms

迴歸

• 迴歸分析初體驗：如何從雜亂的數據中「學」出一條規律的線
• 精確量化與策略洞察：迴歸分析評估指標在行銷中的應用

分類

• 分類器是如何思考的？：如何從特徵線索中「判」出正確的類別
• 運用機器學習預測客戶流失：從數據科學到行銷策略的深度融合
• 超越準確度：運用混淆矩陣洞察行銷決策模型的策略價值
• 決策樹分類入門：大學生週末指南 （唸書？追劇？打怪？約會？）
• 分類模型評估指標：如何用多面向角度「看」出模型真正的判斷能力

分群

• 演算法如何做到分群？：如何在無標籤的世界中「找」出隱藏的族群結構
• 洞察市場脈動：分層分群、DBSCAN與輪廓係數在行銷數據分析的實踐與反思
• 解鎖顧客洞察的鑰匙：RFM分析與K-Means聚類的協同應用
• 數據煉金術：CLTV、RFM 分析與 K-Means 聚類在行銷策略中的應用與洞察
• 機器學習中的 K-Means 與密度分群演算法
• K-Means Clustering in Machine Learning

降維

• 什麼是 PCA？：如何在高維資料中「抓」出最關鍵的方向
• 從數據迷霧中掘金：分群與降維技術在行銷策略的深度應用與洞察
• 探索降維的奧秘：PCA與SVD在行銷策略中的應用與洞察

關聯規則

• 揭開購物籃的秘密 ：如何從日常交易中「找」出商品之間的隱藏關聯
• 從交易數據挖掘消費者行為模式：關聯規則學習在行銷策略的深度應用與洞察

機器學習互動式教學動畫(I) – 基礎概念篇

1. 基本統計知識 ：讓模型更可靠的關鍵底層能力
2. 機器學習（監督式）處理流程：從資料到預測的系統化旅程
3. 資料拆分(Data Split)：打造可泛化模型的第一道防線
4. 過度擬合(Overfitting)與欠擬合(Underfitting)：理解ML模型的表現差異
5. 機器學習中的類別資料編碼：讓模型「讀懂類別」的關鍵第一步
6. 偏差(Bias)與變異(Variance)：掌握 BV 平衡，是打造好模型的核心
7. 多重共線性與虛擬變數陷阱：看見特徵真實貢獻的關鍵門檻

機器學習互動式教學動畫(II) – 演算法篇

1. 迴歸分析初體驗：如何從雜亂的數據中「學」出一條規律的線
2. 分類器是如何思考的？：如何從特徵線索中「判」出正確的類別
3. 決策樹分類入門：大學生週末指南 （唸書？追劇？打怪？約會？）
4. 分類模型評估指標：如何用多面向角度「看」出模型真正的判斷能力
5. 演算法如何做到分群？：如何在無標籤的世界中「找」出隱藏的族群結構
6. 什麼是 PCA？：如何在高維資料中「抓」出最關鍵的方向
7. 揭開購物籃的秘密 ：如何從日常交易中「找」出商品之間的隱藏關聯