機器學習簡介
整理監督式、非監督式與強化學習的基本分類，適合改寫為 ML for Finance 的起點。
機器學習
用資料問題理解機器學習方法。
整理模型直覺、資料前處理、特徵工程、驗證流程與可解釋性，搭配 Python 實作理解研究資料。
建議閱讀順序
- 建立監督式與非監督式學習地圖
- 從決策樹理解可解釋分類模型
- 用隨機森林看 ensemble 思維
- 整理特徵工程、縮放與降維流程
機器學習文章
[機器學習首部曲] 決策樹模型介紹 Decision Tree
說明 decision tree 的分裂準則與可解釋性，可與 Python 實作篇合併成一篇完整指南。
[機器學習首部曲]隨機森林模型簡介 Random Forest
從 bagging、feature importance 到模型穩健性，適合與實作篇合併成 ensemble 入門。
[機器學習首部曲] 貝氏分類器 Bayesian Classifier
用機率、先驗與條件分布理解分類問題，適合搭配 Python 實作與研究資料案例。
[機器學習二部曲] Python實作—資料預處理 : 如何將特徵規模拉到同一基準? 特徵縮放 Feature Scaling
特徵縮放是金融 ML pipeline 的基礎，可整理到資料前處理與防 leakage 單元。