跳轉到
ML 入門

醫學生的機器學習入門

野生的 機器學習 出現了！

給醫學與生醫相關科系學生的機器學習（Machine Learning）入門：直覺先行、圖解為主，搭配可直接在瀏覽器執行的 Python 實作與公開醫學資料集。

共 16 章、純閱讀約 8 小時（不含 notebook 實作）。每章附 Colab notebook 與章末小測驗，不用在自己電腦安裝任何東西。

▶ 從第 1 章開始 直接看深度學習篇

為什麼醫學生要學機器學習

臨床與研究裡的風險預測、影像判讀輔助、文獻分類，越來越常出現機器學習的身影，讀論文時也需要判斷「這個模型的結果能不能信」。你不必成為工程師，但要看得懂模型在做什麼、能做到什麼、哪裡容易出錯。機器學習和你已熟悉的統計方法（例如邏輯迴歸、敏感度與特異度）有很多相通之處，本站會用這些既有知識當橋梁。要提醒的是，機器學習不是萬能：它需要好的資料與嚴謹的驗證，本站也會反覆強調這一點。

這個網站怎麼用

  1. 讀章節：每章從一個臨床情境開始，先建立直覺，再看核心概念與圖解。
  2. 開 Colab notebook：每章附一份 Jupyter notebook，點「在 Colab 開啟」即可在瀏覽器執行，不用安裝任何東西。
  3. 做小測驗：章末有 3 題自我檢查，附答案與一句解釋。

章節總覽

深度學習篇

讀完第 09 章之後的進階內容：從影像、訓練技巧到語言模型。程式改用 Keras 3，Colab 免費 CPU 可跑完，開 GPU 會更快。

學習路徑

第 01–04 章是共同基礎，建議依序閱讀。第 05–09 章是各種模型，彼此相對獨立，可依興趣挑著讀；第 11 章整合前面所有內容。深度學習篇（12–16）建立在第 09 章之上，第 12、13 章建議依序讀，第 14 章接在第 12 章之後，第 15 章可直接從第 09 章接過去。第 16 章接在第 14 章之後，用同一份 MIT-BIH，並用到第 10 章的降維與第 11 章的閾值。

flowchart LR
    A["01 簡介與環境"] --> B["02 Python 套件"]
    B --> C["03 資料前處理"]
    C --> D["04 迴歸分析"]
    D --> E["05 貝氏"]
    D --> F["06 SVM"]
    D --> G["07 樹與森林"]
    D --> H["08 K-平均"]
    D --> I["09 神經網路"]
    E --> K["11 模型選擇"]
    F --> K
    G --> K
    H --> K
    I --> K
    D --> J["10 降維"]
    J --> K
    I --> L["12 CNN"]
    L --> M["13 遷移學習"]
    L --> O["14 ECG"]
    O --> P["16 自編碼器與生成模型"]
    I --> N["15 Transformer"]
    style E stroke-dasharray: 5 5
    style F stroke-dasharray: 5 5
    style G stroke-dasharray: 5 5
    style H stroke-dasharray: 5 5
    style I stroke-dasharray: 5 5

虛線框（05–09）表示可依興趣跳讀；第 10 章建議在讀過至少一種模型後閱讀。

先備知識

  • 不需要會寫程式：第 01 章從零開始，所有程式都在 Colab 上執行。
  • 高中程度的數學（函數、平均、簡單的機率）。
  • 基礎統計概念：平均、標準差、p 值、敏感度與特異度。

關於本站

本站作者是醫學系畢業、正在學習資料科學的學習者。內容為教學用途，所用資料集皆為公開資料，醫學案例僅供學習，不構成醫療建議，也不能取代專業臨床判斷。內容若有錯誤，歡迎指正。

本站文字以 CC BY 4.0、程式碼以 MIT 授權釋出。各資料集的授權與引用請見資料集一覽，名詞對照請見中英術語對照。