機器學習與資料科學

這個目錄收錄機器學習、特徵工程、AutoML、EDA 與相關工具的筆記。

全景概覽

• AI 與機器學習全景 Tree Map

演算法比較與實戰

• TensorFlow / XGBoost / Random Forest / KNN / SVM 與 CMA-ES 的關係
• 隨機森林 (Random Forest) vs. XGBoost 實戰預測
• 什么是 CMA-ES

EDA（探索性資料分析）

• EDA Target Correlation Bars - 如何找出真正能有用的量化特徵
• EDA 特徵熱力圖 (Correlation Heatmap)
• EDA 解密 Histogram Grid —— 揪出摧毀模型的「極端值地雷」

特徵工程 / AutoML

• 別再憑感覺寫策略！用 Random Forest 與 XGBoost 萃取「特徵重要性」
• AutoML-01 導入 AutoML (Optuna) 自動尋找最強特徵組合與勝率極值
• AutoML-02：基礎參數與手動特徵開關 (Basic AutoML)
• AutoML-03 巨量特徵的殘酷淘汰賽 (Massive Feature Selection)
• AutoML-04 時間序列的煉金術士 (tsfresh + Optuna)
• AutoML-05 總結三部曲：基礎調參、巨量降維與特徵煉金的戰略差異

XGBoost / 工具

• Poetry 和 xgboost 疑難雜症

MLflow

• Poetry 版 MLflow + XGBoost Hello World 指南
• MLflow Server 疑難雜症

資料儲存

• DBeaver 讀取與分析 Parquet 檔案完整教學

本分類全部筆記(18)

• AI 與機器學習全景 Tree Map
• DBeaver 讀取與分析 Parquet 檔案完整教學
• 機器學習煉金術：解密 Target Correlation Bars —— 如何從海量數據中揪出真正有用的特徵？
• 機器學習煉金術二部曲：解密 Correlation Heatmap —— 揪出量化模型中的「冗餘內鬼」
• 機器學習煉金術三部曲：解密 Histogram Grid —— 揪出摧毀模型的「極端值地雷」
• 實戰筆記：從零打造 Production-Ready 的 MLflow Server (踩坑全紀錄)
• Poetry 版 MLflow + XGBoost Hello World 指南
• 迷航指南：TensorFlow,XGBoost,Random Forest,KNN,SVM, 與 CMA-ES 的關係
• 第二篇：【量化交易實戰】告別手動煉丹！導入 AutoML (Optuna) 自動尋找最強特徵組合與勝率極值
• 忽略不必要的警告，讓輸出畫面乾淨
• ==========================================
• ==========================================
• 【架構解析】AutoML 三部曲：基礎調參、巨量降維與特徵煉金的戰略差異
• 第一篇：【量化交易實戰】別再憑感覺寫策略！用 Random Forest 與 XGBoost 萃取「特徵重要性」
• 【量化交易實戰】特徵交互強弱分析：從 a×b 到符號迴歸，挖掘單一指標看不見的訊號
• 清除快取並重新 lock (確保它抓到新來源)
• 【量化交易實戰】當 y 分布偏一邊時怎麼辦？標籤不平衡與目標偏態的完整處方
• 機器學習雙雄對決：隨機森林 (Random Forest) vs. XGBoost 實戰教學