資料分析、資料科學與機器學習 - 三合一課程

從理論到實踐專案 – 透過一門課程掌握資料分析、資料科學和機器學習的一切。廣泛角色扮演

從這 66 小時的課程，你會學到

理解資料科學的基礎、應用、成為資料科學家的路徑。
使用 Python 程式語言，運用變數、循環、函數和物件導向程式設計 (OOP) 分析資料。
運用 Python 中的分佈、假設檢定和推理等統計和機率論知識。
使用 pandas 和 NumPy 進行資料清洗、轉換和探索性資料分析 (EDA)。
使用 Python 視覺化數據，包括長條圖、直方圖、散點圖、熱圖和箱線圖。
使用 scikit-learn 建立回歸、分類和聚類模型並評估其性能。
掌握交叉驗證、特徵工程、正規化和超參數調優等高階機器學習技術。
實作隨機森林、AdaBoost、CatBoost、LightGBM 和 XGBoost 等整合學習方法。
探索神經網路和 TensorFlow 的深度學習，涵蓋從預處理到模型評估的各個環節。
透過實際專案和評估獲得實務經驗，打造強大的作品集。
掌握 Excel、SQL、Python、Power BI 和 ChatGPT 技能，為資料分析師職涯做好準備。
學習資料分析基礎知識，包括統計、假設檢定和機器學習。
使用 Excel 進行資料清洗、處理、公式、函數、圖表和圖形的建立。
應用 Excel 進階工具，例如資料透視表、分析工具庫和互動式儀表板。
瞭解關聯式資料庫管理系統 (RDBMS) 的基礎知識，包括鍵、資料類型和關聯式模型。
使用 MySQL 進行表格操作、約束、索引、篩選和連接。
學習 Python 基礎知識，包括變數、資料型別、列表、字典、迴圈和函數。
精通 Python，用於資料清洗、處理、預處理和轉換。
使用 Python 進行視覺化、探索性分析、統計和機器學習建模。
利用 ChatGPT 進行資料處理、合併、資料透視表和條件邏輯。
應用 ChatGPT 進行預測分析，包括隨機森林和機器學習模型。
學習 Power BI，用於資料處理、分析和儀表板洞察。
使用 Power BI 建立專業、故事驅動型儀表板，並添加引人注目的視覺化效果。
完成 30 多項作業、120 多項程式設計練習和 10 個包含 100 多題的測驗。
完成 4 個畢業設計專案：銀行客戶流失分析、運動資料分析、人力資源資料管理和網站效能分析。
完成 7 個人工智慧專案：圖像描述、聊天機器人、語音助理、文字轉圖像、視訊摘要、語言翻譯和資料分析人工智慧。

要求

能夠使用電腦和網路
具備基本的電腦操作能力
無需程式設計經驗
需要有奉獻、耐心和毅力

課程說明

踏上資料分析、資料科學和機器學習的變革之旅，您將學習成為成功的資料專業人士所需的關鍵技能、工具和思維模式。這門全面的課程旨在幫助您從入門到精通，為您提供在該領域脫穎而出所需的知識和實踐經驗。

無論您是希望開啟資料分析職涯，還是提升現有技能，本課程都將助力您在瞬息萬變的資料世界中取得成功。加入我們，開啟這段令人興奮的旅程，只需 60-100 天的努力學習，即可釋放您的潛能。

本課程的重要性

大多數學習者都面臨資源分散、指導不一致或理論內容過於繁雜而無法真正提升能力的困境。本課程旨在解決這些問題。它採用循序漸進、循序漸進、每日更新的結構，幫助您將知識轉化為能力，並將能力轉化為職業所需的技能。

我們正處於人工智慧革命之中，各行各業都在藉助 ChatGPT、Stable Diffusion 和 AI 助理等工具進行轉型，這些工具可用於寫作、編碼、設計、分析等等。本課程確保您不僅學習理論，還能建立實際解決方案，讓您具備就業所需的技能。

1. 資料分析、資料科學與 Python 基礎

學習如何像資料科學家一樣思考，而不僅僅是編寫程式碼。
Python 基礎：變數、迴圈、條件語句、函數、資料結構。
資料工作流程的簡潔、模組化、可重複使用程式碼實踐。
使用 Pandas 和 NumPy 導入和處理真實世界的資料集。
資料型態、記憶體最佳化和效能調優。
從 A 到 Z 的資料清洗和處理技巧：排序、過濾、透視表和圖表。

2. 精通 Excel、SQL、Python和Power BI

Excel：處理資料、執行計算並建立視覺化圖表。
SQL：查詢和操作關係資料庫、執行連線、聚合操作並最佳化查詢。
Python：使用 Pandas、NumPy 和 Matplotlib 分析和視覺化資料。自動化工作流程並建立高級儀表板。
ChatGPT 資料分析：處理缺失資料、異常值、資料集並、透視，甚至進行進階機器學習預測。
Power BI：連接多個資料來源、清理和轉換數據，並設計互動式儀表板和報表。

3. 探索性資料分析 (Exploratory Data Analysis，EDA)

理解原始資料的形狀、分佈和本質。
使用 Pandas 進行高階分組、篩選和重塑。
使用 Matplotlib 和 Seaborn 視覺化資料關係（直方圖、配對圖、熱圖）。
培養強大的數據直覺和假設建構能力。

4. 機率、統計和數學在資料科學的應用

機率分佈：常態分佈、二項分佈、泊松分佈、指數分佈、均勻分佈。
描述統計：平均數、中位數、眾數、變異數、標準差。
推論統計：信賴區間、假設檢定、卡方檢定、t檢定、變異數分析。
線性代數：向量、矩陣、點積、主成分分析基礎。
微積分：導數、梯度、最佳化、機器學習中的梯度下降法。

5. 機器學習與特徵工程

完整的機器學習工作流程：預處理、訓練、驗證、測試。
演算法：邏輯迴歸、決策樹、隨機森林、K近鄰、整合方法。
處理類別不平衡問題（SMOTE、分層抽樣）。
模型評估：準確率、精確率、召回率、F1分數、ROC曲線下面積（AUC）。
偏差-變異數權衡、欠擬合與過擬合。
特徵工程：分類變數編碼、縮放/歸一化、建立管線。
超參數調優（網格搜尋交叉驗證、隨機搜尋交叉驗證）。

6. 深度學習與生成式 AI

使用 TensorFlow 建立深度學習和生成式神經網路：張量、激活函數、反向傳播、優化器。
逐步建立和訓練模型，進行微調，並使用準確率/損失指標進行評估。
提示工程：思維鏈、思考樹、結構化提示。
生成式 AI 工具及應用案例：文字、圖像、程式碼、音訊和視訊生成。
實際 AI 應用：聊天機器人、翻譯器、語音助理、文字轉圖像、視訊摘要。

7. 專案與實踐

超過 30 項作業、120 多項程式設計練習和 10 次測驗。
畢業設計專案：
- 銀行資料分析
- 體育資料分析
- 詐欺檢測與分類
- 前鋒排名（端到端機器學習部署）
生成式 AI 慧專案（7 個完整規模的建置專案）：
- 影像描述AI
- 基於 LLaMA2/Gemma 的聊天機器人
- AI 語音助理
- 文字轉圖像生成器
- AI影片摘要器
- 語言翻譯器
- AI 資料分析師