先讓資料準備好，才有可靠的學習起點。
比較正確與洩漏的縮放方式，理解公平評估
將不同量綱的特徵轉換至相同尺度，提升模型學習效果
將文字型態的類別特徵轉換為數值，讓模型能夠理解
將高維資料投影到低維，觀察主要變異方向
掌握模型學習與優化所需的核心概念。
評估模型預測誤差的各種損失函數比較
機器學習的核心優化方法，找尋損失函數最小值
用已標記的資料，練習分類與預測。
找出最佳擬合線，預測連續數值
使用 Sigmoid 函數進行二元分類預測
透過「近朱者赤」的概念，根據鄰近點進行分類
透過樹狀結構進行條件判斷與分類
比較單棵樹與多棵樹投票的決策邊界
尋找最佳超平面，實現高維度分類
在沒有標籤的資料中尋找結構。
無監督式學習，自動將資料分成 K 個群集
透過旋轉與投影，找出數據變異數最大的方向
看懂分數，也看懂模型可能犯的錯。
探索模型複雜度與泛化能力的平衡點
透過懲罰項抑制模型複雜度，解決過擬合問題
深入理解 Accuracy, Precision, Recall 與 F1-Score
從神經元一路走到文字生成。
了解神經網路中常用的激活函數及其特性
認識單一神經元的輸入、權重、偏差與分類邊界
前饋神經網路的基礎架構與前向傳播
逐步計算神經元的梯度與權重更新
從文字切分與向量表示，理解注意力與文字生成。
了解 LLM 如何將文字切割成 Token 進行處理
將文字轉換成數值向量，讓電腦理解語意關係
觀察 Token 之間的權重與因果遮罩
調整溫度並選擇候選文字，理解生成機制
用卷積與池化觀察影像特徵。
視覺化卷積運算，了解電腦如何「看見」特徵
透過 Max/Mean Pooling，降低特徵維度並保留關鍵資訊
透過試錯與獎勵，學會做下一步決定。
訓練 Agent 在網格世界中探索並尋找最佳路徑