機器學習和資料科學的完整視覺化指南

Contents

透過簡單的分步演示和用戶友好的 Excel 模型探索資料科學和機器學習主題（無程式碼！）

從這 9 小時的課程，你會學到

無需編寫複雜的程式碼即可建立基礎機器學習和資料科學技能
使用互動式、使用者友善的 Excel 模型來了解機器學習技術的實際運作原理
使用單熱編碼( one-hot encoding )、縮放( scaling )和離散化( discretization )等特徵工程技術豐富資料集
使用 K 最近鄰、樸素貝葉斯和決策樹等分類模型來預測分類結果
使用線性和非線性迴歸模型建立準確的預測和預測
應用強大的聚類( clustering )、關聯探勘( association ming )、異常值檢測( outlier detection )和降維技術
了解如何選擇和調整模型以優化效能、減少偏見( bias )並最大限度地減少漂移( drift )
探索獨特的實踐案例研究，模擬機器學習如何應用於現實案例

要求

這是一門適合初學者的課程（不需要先驗知識或數學/統計背景）
我們將使用 Microsoft Excel (Office 365) 進行一些課程演示，但參與是可選的

課程說明

本課程適合希望以直覺、適合初學者的方式了解機器學習和資料科學世界的普通人。

透過引導式逐步示範建立信心，並從頭開始學習基礎技能。我們將分解並探索機器學習技術，以幫助你準確地理解它們的工作原理和原因，而不是記住複雜的數學或學習新的編碼語言。

遵循簡單、直觀的示例，並與用戶友好的基於 Excel 的模型進行互動，以學習線性和邏輯回歸、決策樹、KNN、樸素貝葉斯、層次聚類、情感分析等主題，而無需編寫一行程式碼。

本課程將 Maven Analytics 的 4 門暢銷課程合併為一個大師班：

第 1 部分：單變量和多變量分析
第 2 部分：分類建模
第 3 部分：迴歸與預測
第 4 部分：無監督學習

第 1 部分：單變量和多變量分析

在第 1 部分中，我們將介紹機器學習工作流程以及清理和準備用於分析的原始資料的常用技術。我們將探索使用頻率表、直方圖、核密度和分析指標的單變量分析，然後深入研究熱圖、小提琴圖和箱線圖、散佈圖和相關性等多元分析工具：

第 1 節：機器學習簡介與概況

機器學習過程、定義與前景

第 2 節：初步資料品質保證

變數類型、空值、範圍和計數計算、左/右審查等。

第 3 節：單變數分析

直方圖、頻率表、平均值、中位數、眾數、變異數、偏度等。

第 4 節：多變數分析

小提琴圖和箱型圖、核密度、熱圖、相關性等。

在整個課程中，我們將介紹現實世界的場景來鞏固關鍵概念並模擬實際的資料科學和商業智慧案例。你將使用分析指標來清理當地雜貨店的產品庫存數據，透過直方圖和核密度探索奧運運動員的人口統計數據，透過熱圖可視化交通事故頻率等等。

第 2 部分：分類建模

在第 2 部分中，我們將介紹監督學習環境，回顧分類工作流程，並討論因變數與自變數、特徵工程、資料分割和過度擬合等關鍵主題。在此基礎上，我們將回顧常見的分類模型，例如 K 最近鄰 (KNN)、樸素貝葉斯、決策樹、隨機森林、邏輯回歸和情感分析，並分享模型評分、選擇和優化的技巧：

第 1 節：分類簡介

監督學習和分類工作流程、特徵工程、分割、過度擬合和欠擬合

第 2 節：分類模型

K-最近鄰、樸素貝葉斯、決策樹、隨機森林、邏輯迴歸、情緒分析

第 3 節：模型選擇與調整

超參數調整、不平衡類、混淆矩陣、準確度、精確度和召回率、模型漂移

您將協助為 Spotify 建立一個簡單的推薦引擎，分析零售店的客戶購買行為，預測線上旅遊公司的訂閱量，從書評樣本中提取情緒等等。

第 3 部分：迴歸與預測

在第 3 部分中，我們將介紹線性關係和最小二乘誤差等核心建構模組，並練習將它們應用於單變數、多變數和非線性回歸模型。我們將檢視 R 平方、平均誤差、F 顯著性和 P 值等診斷指標，然後使用時間序列預測技術來識別季節性、預測非線性趨勢，並使用介入分析來衡量關鍵業務決策的影響：

第 1 節：迴歸簡介

監督學習格局、迴歸與分類、預測與根本原因分析

第 2 節：迴歸建模 101

線性關係、最小平方法誤差、單變量與多元迴歸、非線性變換

第 3 節：模型診斷

R 平方、平均誤差、零假設、F 顯著性、T 和 P 值、同方差、多重共線性

第 4 節：時間序列預測

季節性、自相關、線性趨勢、非線性模型、幹預分析

你將了解如何使用迴歸分析來估算房地產價格、預測季節性趨勢、預測新產品發布的銷售情況，甚至衡量新網站設計的業務影響。

第 4 部分：無監督學習

在第 4 部分中，我們將探討監督機器學習和無監督機器學習之間的差異，並介紹幾種常見的無監督技術，包括聚類分析、關聯挖掘、異常值檢測和降維。我們將用簡單的術語分解每個模型，並幫助你直觀地了解它們的工作原理，從 K 均值和先驗到異常值檢測、主成分分析等等：

第 1 節：無監督機器學習簡介

無監督學習景觀及工作流程、常見無監督技術、特徵工程

第 2 節：聚類與細分

聚類基礎知識、K 均值、手肘圖、層次聚類、樹狀圖

第 3 節：關聯探勘

關聯探勘基礎、先驗、籃子分析、最小支持閾值、馬可夫鏈

第 4 節：異常值檢測

異常值檢測基礎知識、橫斷面異常值、最近鄰、時間序列異常值、殘差分佈

第 5 節：降維

降維基礎、主成分分析 (PCA)、碎石圖、進階技術

你將了解 K 均值如何幫助識別客戶群、apriori 如何用於購物籃分析和推薦引擎，以及異常值檢測如何發現橫斷面或時間序列資料集中的異常。

準備好潛入了嗎？立即加入並立即終身存取以下內容：

超過 9 小時的點播視頻
機器學習基礎電子書（350 多頁）
可下載的 Excel 專案文件
專家問答論壇
30天退款保證

如果你是分析師或有抱負的資料專業人士，希望為機器學習或資料科學領域的成功職業生涯奠定基礎，那麼你來對地方了。

快樂學習！

-Josh & Chris

目標受眾

任何希望透過適合初學者的互動式演示來學習機器學習基礎知識的人
希望過渡到資料科學或對機器學習有基本了解的資料分析師或 BI 專家
R 或 Python 用戶尋求更深入地了解其程式碼背後的模型和演算法
想要學習並應用強大的預測分析工具的 Excel 用戶

講師簡介

Maven Analytics 賦予日常生活改變生活的資料技能

Maven Analytics 是第一個專門建置的線上平台，供資料分析師學習新技能、展示他們的工作以及與同行和雇主建立聯繫。

Maven 被評為變革行業的十大教育公司之一，其屢獲殊榮的引導式學習模型允許用戶創建個性化學習計劃、構建公共作品集、與專家講師和職業教練聯繫，並加入世界一流分析人才的社區。

我們已協助超過 1,000,000 名學生培養就業技能，掌握 Excel、SQL、Power BI、Tableau 和 Python 等工具，並為成功的職業生涯奠定基礎。

Chris Dutton Maven Analytics 創辦人

Chris Dutton 是一位教育科技創業家和暢銷書資料分析講師。

身為 Maven Analytics 的創辦人兼首席產品官，他的作品受到《今日美國》、《商業內幕》、《企業家》和《紐約時報》的專題報道，涵蓋全球超過 1,000,000 名學生。

Maven Analytics 被評為徹底改變行業的十大教育公司之一，並且是世界上第一個專門為資料專業人員啟動或加速其職業生涯而構建的一體化平台。

學習熱門技能，創建作品集來展示您的工作，並與世界各地的世界一流分析師建立聯繫。

在 Maven Analytics，我們的使命是為日常生活中的人們提供改變生活的資料技能。

Joshua MacCarty 首席機器學習講師

Josh 擁有 10 多年應用機器學習和資料科學來解決具有挑戰性的業務問題的經驗，例如行銷組合和定價優化、預測、叢集、自然語言處理和預測建模。他熱衷於分解看似複雜的機器學習主題並在商業環境中解釋它們。他認為每個人都應該能夠深入了解機器學習。

字幕：英文

想要了解如何將英文字幕自動翻譯成中文? 請參考這篇 How-To

點選這個 Network & Security 課程✨優惠連結✨ ( NT390 起特價中 ) | 新客戶✨ 優惠連結 ✨| Udemy 永久擁有課程 ( 在電腦瀏覽器登入，點選“優惠連結”後再回想要的課程介紹中點選“報名參加課程”即可取得）
Udemy 現在越來越多課程有中文字幕，請參考 Soft & Share 中文線上課程
手機上點選優惠連結看到的價格比電腦上看到的貴
＄代表當地貨幣, 如在台灣為 NT
點選”報名參加課程”有可能因瀏覽器 cookies 轉久一點或回報錯誤而無法連上，請稍等刷新或重新點選就會出現