AI機器學習｜從資料庫到股價預測

從資料庫到股價預測｜用 AI 與資料打造完整機器學習流程

本課程以台股股價預測作為貫穿案例，帶學員完整走過「資料庫 → 資料取得 → 資料處理 → 特徵工程 → 建立模型 → 評估驗證 → 專案整合」的實務流程。 不同於許多課程直接從 CSV 或現成資料開始，本課程從資料如何儲存、查詢與整理開始，逐步建立資料基礎，再進入機器學習模型。課程不追求大量演算法，而是聚焦於決策樹、隨機森林與正確的模型評估方法，讓學員理解模型如何訓練、如何避免資料洩漏與過度配適，最終完成一套可重複執行、可替換股票標的的完整預測專案。

---

六大課程模組：從資料到模型，建立完整機器學習實戰力

模組一｜機器學習入門與環境建置

• 課程導入：從完整股價預測成品出發，理解資料庫、資料處理到機器學習的完整學習路徑。
• 開發環境：建置 Python、虛擬環境與 SQLite 開發環境，掌握課程所需工具與執行方式。

模組二｜資料庫與 SQL 資料管理

• 資料庫基礎：理解關聯式資料庫、資料表、欄位、主鍵與資料型別，建立台股資料庫。
• SQL 資料查詢：運用 SQL 進行條件篩選、排序、分組統計與子查詢，掌握資料查詢能力。
• 多表整合：學習 JOIN 與 Python 串接，將不同來源的資料合併成可供分析的完整資料。

模組三｜資料取得與資料處理

• 資料取得：透過 API 自動取得台股歷史交易資料，理解 JSON 結構並完成資料解析。
• 資料入庫：將取得的資料寫入資料庫，建立去重與增量更新機制，打造可持續更新的資料來源。
• 資料清理：使用 Pandas 處理缺失值、重複值、資料型別與日期等問題，將原始資料整理成可分析的狀態。

模組四｜特徵工程與預測資料建構

• 資料轉換：將原始交易資料轉換為具預測意義的特徵，建立 MA5、MA20、乖離率、報酬率等資料。
• 資料品質：處理除權息、股票分割等公司行為造成的價格變化，避免模型學習到錯誤訊號。
• 標籤設計：將「預測股價」轉換成明確的機器學習任務，建立可直接用於模型訓練的「特徵＋標籤」資料表。

模組五｜機器學習與模型評估

• 模型建立：理解監督式學習、分類與迴歸，使用決策樹與隨機森林建立預測模型。
• 正確訓練：學習時間序列資料的正確切分方式，避免資料洩漏造成模型結果失真。
• 模型驗證：透過基準線、混淆矩陣、Precision、Recall、F1 等方式評估模型，並辨識過度配適問題。

模組六｜完整專案整合與職涯應用

• 專案整合：將資料庫、資料處理、特徵工程、模型訓練與評估整合，建立可重複執行的完整預測專案。
• 實務應用：學習如何替換不同股票標的重新執行專案，理解模型的適用範圍與限制。
• 作品整理：將完整專案整理為可對外展示的作品，並延伸至履歷、作品集與面試應用。

---

誰適合上這門AI機器學習｜從資料庫到股價預測？

• 想從資料分析進一步學習機器學習的人：已經接觸 Python、Pandas 或資料分析，希望進一步了解「資料如何真正進入機器學習模型」。

• 想累積機器學習作品集的人：課程每個模組都有階段性產出，最後整合成一套完整專案，並可進一步整理成履歷與作品集。

• 對 AI／機器學習有興趣，但不想只停留在理論的人：透過實際的台股資料案例，理解機器學習從資料到模型的完整流程，而不是只學習單一演算法。

關於 AI 機器學習：從資料庫到股價預測 FAQ

Q1：這門課是在教「股票投資」嗎？

不是。

股價只是本課程貫穿全程的教學案例，重點是學習完整的資料科學與機器學習工作流程，並不提供投資建議，也不宣稱可以藉此獲利。

Q2：需要很深的 Python 基礎嗎？

本課程的先備知識為Python 基礎。會從資料庫、Pandas、資料處理等內容逐步建立後續機器學習流程。

Q3：為什麼機器學習課程要先學資料庫？

因為實務上的機器學習不是拿到資料就直接套模型。

本課程刻意從資料儲存與查詢開始，讓學員先理解資料如何建立、查詢、合併，再進入資料處理與模型訓練。

Q4：模型準確率很高，就代表預測有效嗎？

不一定。

課程會特別討論「準確率的誤導性」，建立基準線並使用混淆矩陣、Precision、Recall、F1 等方式評估模型，而不是只看一個漂亮的準確率數字。