一週 Python 資料科學 - 2025 年新版！

一週內快速高效地掌握資料科學基礎知識！課程專為忙碌的人設計

從這 13 小時的課程，你會學到

對現實世界的資料集進行統計分析
了解特徵工程策略和工具
執行一次熱編碼和正規化
了解正規化和標準化之間的區別
使用 pandas 處理丟失的資料
更改 pandas DataFrame 資料類型
定義一個函數並將其應用於 Pandas DataFrame 列
執行 Pandas 操作和過濾
計算並顯示相關矩陣熱圖
使用 Seaborn 和 Matplotlib 程式庫執行資料視覺化
使用 matplotlib 繪製單線圖、餅圖和多個子圖
使用 Seaborn 繪製配對圖( pairplot )、計數圖( countplot )和相關熱圖( heatmaps )
繪製分佈圖（distplot）、直方圖( Histograms )和散點圖( scatterplots )
了解機器學習迴歸基礎知識
了解如何使用最小平方合優化模型參數
使用 SK Learn 程式庫將資料拆分為訓練和測試
執行資料視覺化和基本的探索性資料分析
在 Scikit-Learn 中建構、訓練和測試我們的第一個迴歸模型
評估經過訓練的機器學習迴歸模型績效
了解 boosting (助推) 背後的理論和直覺
在 Scikit-Learn 中訓練 XG-boost 演算法以解決迴歸類型問題
訓練多種機器學習模型分類器模型，例如 Logistic Regression、Support Vector Machine、K-Nearest Neighbors 和 Random Forest Classifier
使用各種 KPI（例如準確度、精度、召回率、F1 分數、AUC 和 ROC）評估訓練後的模型性能
使用各種 KPI 比較分類模型的性能。
應用 AutoGluon 解決迴歸和分類類型問題
使用 AutoGluon library (程式庫)通過幾行程式碼執行 AI/ML 模型的原型設計
在模型排行榜上繪製各種模型的表現
使用 SK-Learn 優化迴歸和分類模型超參數
了解網格搜索、隨機搜索和貝葉斯優化( Bayesian optimization )等各種超參數優化策略之間的區別
使用 Scikit-Learn 程式庫執行超參數優化。
了解偏差方差( bias variance )權衡和 L1 和 L2 正規化

要求

python 的基本程式設計技巧

課程說明

你想快速高效地學習資料科學並建構強大的應用程式嗎？

你是一個絕對的初學者，想要進入資料科學，正尋找一門包含你需要的所有基礎知識的課程嗎？

你是一位忙碌的有抱負的企業家，想要通過資料科學最大化業務收入並降低成本，但沒有時間快速高效地實現目標嗎？

如果這些問題的答案是肯定的，本課程適合您！

資料科學是目前最熱門的技術領域之一！

該領域正因機會和職業前景而爆炸式增長。

資料科學被廣泛應用於銀行、醫療保健、交通和技術等許多領域。

在商業中，資料科學被應用於優化業務流程、最大化收入和降低成本。

本課程旨在通過實用、簡單、快速和高效的方式，在一週內學會資料科學關鍵主題的知識。

這門課程在許多方面都是獨一無二的。它包括幾個練習機會、測驗和最終的總整專案。

每天，我們會一起花 1-2 個小時，掌握一個資料科學主題。

首先，我們將從資料科學基本入門包開始，並掌握關鍵的資料科學概念，包括資料科學專案生命週期、招聘人員尋找什麼以及可用的工作類型。

接下來，我們將了解使用 Pandas、matplotlib 和 Seaborn 程式庫的探索性資料分析和視覺化技術。

在下一節中，我們將學習迴歸基礎知識，我們將學習如何使用 Scikit Learn 程式庫建構、訓練、測試和部署迴歸模型。

在下一節中，我們將學習網格搜索、隨機搜索和貝葉斯優化等超參數優化策略。

接下來，我們將學習如何在 SageMaker 和 SK-Learn 程式庫中訓練幾種分類演算法，例如邏輯迴歸、支持向量機、K-最近鄰、隨機森林分類器和樸素貝葉斯( Naïve Bayes )。

接下來，我們將介紹 Autopilot 上的資料科學！我們將學習如何使用 AutoGluon 程式庫來製作多個 AI/ML 模型的原型並部署最好的模型。

那麼這門課程適合誰呢？

該課程面向任何想要對資料科學有基本了解並解決實際業務問題的人。

在本課程中：

你將獲得實際的基於專案的學習體驗。我們將共同建設十多個專案
你將可以訪問所有程式碼和簡報
你將獲得一份結業證書，將其發佈在你的 LinkedIn 個人資料上，並向雇主展示你在資料科學方面的技能。
所有這些都附帶 30 天退款保證，因此你可以無風險地嘗試課程！

查看預覽視訊和大綱，了解我們將涵蓋的專案。

今天就報名吧，讓我們一起利用資料科學的力量！

目標受眾

任何想要對資料科學有基本了解並解決實際業務問題的人
想要提升自己的職業生涯並建立自己的履歷組合的資料科學初學者
希望通過利用資料科學拓展業務或轉業的經驗豐富的顧問
對資料科學和人工智慧充滿熱情並希望獲得實踐經驗的新手與技術愛好者

講師簡介

Prof. Ryan Ahmed | 450K+ 學生| 最暢銷教授 | 250K+ YouTube 人工智慧、LLM、Agentic AI、雲端運算、資料科學和 CoPilot 課程

大家好，歡迎！

我是 Ryan Ahmed 博士。我是教授、教育家，也是 Stemplicity School 的創辦人。在 Stemplicity School，我們致力於讓人工智慧和資料科學變得簡單易懂、實用、方便，人人都能輕鬆掌握。我熱衷於創造引人入勝、注重實踐的學習體驗，幫助人們在這個瞬息萬變的世界中蓬勃發展。

如果您剛踏入科技領域，或希望提升您在 AI、資料科學或雲端運算方面的技能，我的目標是讓這些複雜的主題變得平易近人、貼近生活、易於應用。在過去的十年裡，我已為來自160個國家的超過45萬名學員授課，並在我的YouTube頻道「Prof. Ryan Ahmed」上建立了一個擁有超過25萬訂閱者的全球社群。我在那裡分享教程和工具，幫助人們發展職業生涯。

我也曾為匯豐銀行、加拿大皇家銀行、Discover銀行和巴克萊銀行等公司在美國、加拿大和英國進行人工智慧企業培訓。在職業生涯早期，我曾在通用汽車、三星和Stellantis擔任領導職務，致力於電動車和自動駕駛汽車技術的研究。

我擁有麥克馬斯特大學的碩士、博士和工商管理碩士學位。此外，我也是註冊專業工程師和史丹佛大學認證的專案經理，在人工智慧和電池系統領域發表過50餘篇研究論文。但拋開這些頭銜，對我而言最重要的是看到他人取得成功。

如果您充滿好奇心、積極進取，並且渴望學習，我願助您邁出下一步。

Ligency 建構現實世界的 AI 產品

加入 Ligency，與超過 340 萬名學員一起學習。

我們擁有 4.6 分的講師評分、近 100 萬條評價，並提供 12 種語言的 121 門課程，幫助工程師、領導者和團隊掌握驅動當今人工智慧革命的技能，並交付實際成果。

我們從現實世界的起點出發：大型語言模型( LLM )及其驅動的產品。您將學習AI 和生成式人工智慧 (gen AI) 的基礎知識，然後交付生產級系統 – 聊天機器人、Co-Pilot、自動化和 AI 代理。我們將深入探討大型語言模型工程：檢索（RAG）、評估、可觀測性、安全性以及團隊大規模運行代理系統所使用的模式。

我們的技術堆疊實用且與時俱進。您將使用 Python、LangChain 和 LangGraph 快速建立原型；探索來自 OpenAI、Gemini 和 Claude（包括 Claude Code）的模型；使用 Hugging Face 和 Ollama 進行微調和部署；並在 AWS 上將其部署到生產環境 – 從 Bedrock 到事件驅動服務。需要自動化？我們利用 n8n、簡潔的介面和 CI/CD 將其完美整合。在此過程中，您將掌握在高負載下依然穩健的響應式工程技術。

未來發展方向：交付型人才的職位。熱愛建構的人才可以選擇 AI 工程師和 LLM 工程師；追求規模化可靠性的人才可以選擇平台和 MLOps 方向；致力於將智能體 AI 從簡報轉化為實際業務成果的人才可以選擇產品和領導力方向。貫穿始終的核心理念是：快速學習、快速建立、衡量一切、迭代優化。

從我們最暢銷的課程開始：

LLM 工程：精通 AI、大型語言模型和 Agents – 從最初的響應式設計到生產模式（RAG、Agents、評估、LangChain/LangGraph）的實踐路徑。

完整的 Agentic AI 工程課程 – 設計、編排和部署強大的 AI Agents 和 Agentic 工作流程。

生產環境中的 AI : 大規模的 Gen AI 和 Agenttic AI – AWS 上建置管道、監控和企業級部署的擴展模式。

生成式 AI 高階主管簡報：領導者的精通指南－生成式 AI 策略、治理與投資報酬率的簡明行動手冊。

如果您希望快速提陞技能並交付實際產品，歡迎加入我們。學習概念，體驗工具，建立產品 – 然後將其推向用戶。這就是 Ligency 的行事方式。