o 1-1 機器學習的應用範例 一探「機器學習」於各領域場景中的實際應用案例。
o 1-2 訓練資料的收集 訓練資料是影響模型表現好壞的關鍵，說明建立前應準備那些資料。
o 1-3 資料前處理 收集後需要將資料進行「前處理」步驟，才能交給模型訓練。
o 1-4 模型評估的方法 正式訓練模型前，需要有方法來評估欄位對於預測的重要性。
o 1-5 開發工具 介紹現今「機器學習」常用工具，並大致分為code base工具 v.s. no code工具。
o 1-6 開發需求與流程 帶大家一同探討實際專案開發中，所需的開發需求、人員與流程。
o 1-7 案例展示 學習本章後，我們將透過一個簡單具體的案例，演示如何融會貫通地建立一個完整的預測模型。 (註：並非codeing程式操作)
o 2-1 機器學習的應用範例 講解「圖形分類 v.s物件偵測」，並一探「影像辨識技術」於各領域中的實際應用案例。
o 2-2 開發工具 介紹現今「影像辨識」主要開發工具與平台。
o 2-3 訓練資料 訓練資料的品質和數量，決定模型性能的上限。準備資料時有哪些重要考量點？
o 2-4 開發需求與流程 成功的影像辨識專案需要跨領域團隊協作。帶大家一探實際專案開發時，所需的開發需求、人員與流程。
o 2-5 案例展示 最後，透過一個經典「物件偵測」實際案例，讓大家明白影像辨識模型是如何建立的。 (註：並非codeing程式操作)
