📊 統計學習入門

基於 An Introduction to Statistical Learning（ISLP）· 43 堂主線課程 · 全繁體中文 · 觀念搭配 Python 實作
建議順序：每週 3 堂；先讀觀念，再完成同章 Lab。課程頁可用「本頁已完成」記錄進度，方向鍵可切換前後課。

第 2 章｜統計學習 3 堂

§2.1什麼是統計學習？觀念與實作 §2.2評估模型準確度觀念與實作 §2.3Lab：Python 入門觀念與實作

第 3 章｜線性迴歸 6 堂

§3.1簡單線性迴歸觀念與實作 §3.2多元線性迴歸觀念與實作 §3.3迴歸模型的其他考量觀念與實作 §3.4行銷計畫觀念與實作 §3.5線性迴歸 vs KNN觀念與實作 §3.6Lab：線性迴歸觀念與實作

第 4 章｜分類 5 堂

§4.3邏輯回歸觀念與實作 §4.4生成模型：LDA、QDA 與 Naive Bayes觀念與實作 §4.5分類方法比較觀念與實作 §4.6廣義線性模型觀念與實作 §4.7Lab：分類方法觀念與實作

第 5 章｜重抽樣 3 堂

§5.1交叉驗證觀念與實作 §5.2Bootstrap觀念與實作 §5.3Lab：交叉驗證與 Bootstrap觀念與實作

第 6 章｜模型選擇 5 堂

§6.1子集選擇觀念與實作 §6.2收縮方法：Ridge 與 Lasso觀念與實作 §6.3PCR 與 PLS觀念與實作 §6.4高維度資料觀念與實作 §6.5Lab：模型選擇與正則化觀念與實作

第 7 章｜非線性 8 堂

§7.1多項式迴歸觀念與實作 §7.2階梯函數觀念與實作 §7.3基底函數觀念與實作 §7.4迴歸樣條觀念與實作 §7.5平滑樣條觀念與實作 §7.6局部迴歸觀念與實作 §7.7廣義加法模型觀念與實作 §7.8Lab：非線性建模觀念與實作

第 8 章｜樹狀方法 3 堂

§8.1決策樹基礎觀念與實作 §8.2Bagging、隨機森林與 Boosting觀念與實作 §8.3Lab：決策樹方法觀念與實作

第 9 章｜支援向量機 6 堂

§9.1最大邊界分類器觀念與實作 §9.2支援向量分類器觀念與實作 §9.3支援向量機與核方法觀念與實作 §9.4多類別 SVM觀念與實作 §9.5SVM 與邏輯回歸的關係觀念與實作 §9.6Lab：SVM觀念與實作

第 10 章｜深度學習 4 堂

§10.1單層神經網路觀念與實作 §10.2多層神經網路觀念與實作 §10.3卷積神經網路觀念與實作 §10.4文件分類觀念與實作
補充版本與相容網址（不影響主學習順序）
第 4 章：分類 — 4.4 線性判別分析 (LDA) §5.1 交叉驗證 (Cross-Validation) — ISLP 統計學習課程 §5.2 Bootstrap 自助抽樣法 — ISLP 統計學習課程 6.2 收縮方法 — ISLP 統計學習課程 6.5 Lab: Linear Model Selection and Regularization - ISLP Statistical Learning 6.6 Lab 2：脊迴歸與 Lasso — ISLP 統計學習