| 主題 | 範例 | 作業 | 作業解答 |
|---|---|---|---|
| NumPy 基本操作 | Day_01_Sample | Day_01_HW | Day_01_Solution |
| NumPy 陣列進階操作 | Day_02_Sample | Day_02_HW | Day_02_Solution |
| NumPy 陣列運算及數學函式 | Day_03_Sample | Day_03_HW | Day_03_Solution |
| NumPy 陣列邏輯函式 | Day_04_Sample | Day_04_HW | Day_04_Solution |
| NumPy 統計函式 | Day_05_Sample | Day_05_HW | Day_05_Solution |
| 使用 NumPy 存取各種檔案內容 | Day_06_Sample | Day_06_HW | Day_06_Solution |
| NumPy 的矩陣函式與線性代數應用 | Day_07_Sample | Day_07_HW | Day_07_Solution |
| NumPy 結構化陣列(Structured Arrays) | Day_08_Sample | Day_08_HW | Day_08_Solution |
Back to 學習大綱
| 主題 | 範例 | 作業 | 作業解答 |
|---|---|---|---|
| 使用 Pandas 讀寫各種常用的檔案格式 | Day_09_Sample | Day_09_HW | Day_09_Solution |
| Pandas 資料索引操作(資料過濾、選擇、合併) | Day_10_Sample | Day_10_HW | Day_10_Solution |
| Pandas 類別資料與缺失值處理 | Day_11_Sample | Day_11_HW | Day_11_Solution |
| Pandas 常見圖表程式設計 | Day_12_Sample | Day_12_HW | Day_12_Solution |
| Pandas 統計函式使用教學 | Day_13_Sample | Day_13_HW | Day_13_Solution |
| Pandas 撰寫樞紐分析表 | Day_14_Sample | Day_14_HW | Day_14_Solution |
| Pandas Split-Apply-Combine Strategy | Day_15_Sample | Day_15_HW | Day_15_Solution |
| Pandas 時間序列 | Day_16_Sample | Day_16_HW | Day_16_Solution |
| Pandas 效能調校 | Day_17_Sample | Day_17_HW | Day_17_Solution |
Back to 學習大綱
| 主題 | 範例 | 作業 | 作業解答 |
|---|---|---|---|
| Python 資料視覺化工具與常見統計圖表介紹 | Day_18_Sample | Day_18_HW | Day_18_Solution |
| 使用 Matplotlib 繪製各種常用圖表 | Day_19_Sample | Day_19_HW | Day_19_Solution |
| 使用 Seaborn 進行資料視覺化 | Day_20_Sample | Day_20_HW | Day_20_Solution |
| 運用實際資料集進行資料視覺化練習 | Day_21_Sample | Day_21_HW | Day_21_Solution |
| 結合 Pandas 與 Matploglib 進行進階資料視覺化練習 | Day_22_Sample | Day_22_HW | Day_22_Solution |
| Bokeh 輕鬆以網頁呈現視覺化圖表 | Day_23_Sample | Day_23_HW | Day_23_Solution |
| Basemap 進行地理資訊繪圖 | Day_24_Sample | Day_24_HW | Day_24_Solution |
| 使用 Pandas 與 Basemap 將數據整合於地理資訊圖表 | Day_25_Sample | Day_25_HW | Day_25_Solution |
Back to 學習大綱
為一伯努力試驗(Bernoulli Trail)，即表示只有兩種結果(成功、失敗)的隨機試驗。
為一伯努利過程(Bernoulli Process)，係重複 n 次伯努利試驗，其中，當 n=1 時為伯努利分佈。
持續進行伯努利試驗，直到第 r 次成功時才停止，伯努利試驗總共進行 X 次的機率分佈。
在 N 個樣本中有 K 個為我們所關心的類型樣本。從 N 個樣本中取出 n 個(取後不放回)，而這 n 個當中有 k 個屬於我們所關心的類型的機率。
| 主題 | 範例 | 作業 | 作業解答 |
|---|---|---|---|
| 用統計描述資料的樣態 | Day_26_Sample | Day_26_HW | Day_26_Solution |
| 用機率分佈描述亂中有序的世界 - 離散型分配(1) | Day_27_Sample | Day_27_HW | Day_27_Solution |
| 用機率分佈描述亂中有序的世界 - 離散型分配(2) | Day_28_Sample | Day_28_HW | Day_28_Solution |
| 用機率分佈描述亂中有序的世界 - 連續型分配 | Day_29_Sample | Day_29_HW | Day_29_Solution |
| 用貝氏定理讓你決策更精準 | Day_30_Sample | Day_30_HW | Day_30_Solution |
| 掌握 A/B Test 的精隨 - 假設檢定的概念 | Day_31_HW | Day_31_Solution | |
| 掌握 A/B Test 的精隨 - 假設檢定的進階概念與種類 | Day_32_HW | Day_32_Solution | |
| A/B Test 的執行流程與計算 | Day_33_Sample | Day_33_HW | Day_33_Solution |
Back to 學習大綱
- Three ways to detect outliers
- KNNImputer: A robust way to impute missing values (using Scikit-Learn)
- Feature Selection Methods for Data Science (just a few)
| 主題 | 範例 | 作業 | 作業解答 |
|---|---|---|---|
| 淺談資料科學與 EDA 所扮演的角色與重要性 | Day_34_HW | Day_34_Solution | |
| 探索性資料分析(EDA)_數據理解與重覆和遺失值處理 | Day_35_Sample | Day_35_HW | Day_35_Solution |
| 探索性資料分析(EDA)_異常值偵測 | Day_36_Sample | Day_36_HW | Day_36_Solution |
| 探索性資料分析(EDA)_遺失值與異常值的進階補值策略 | Day_37_Sample | Day_37_HW | Day_37_Solution |
| 探索性資料分析(EDA)_探討變數之間的關係 | Day_38_Sample | Day_38_HW | Day_38_Solution |
| 探索性資料分析(EDA)_從資料中生成特徵 | Day_39_Sample | Day_39_HW | Day_39_Solution |
| 探索性資料分析(EDA)_從資料中選取好的特徵 | Day_40_Sample | Day_40_HW | Day_40_Solution |
Back to 學習大綱
| 主題 | 參考解答 |
|---|---|
| COVID 19 資料視覺化 | |
| Netfiex 資料視覺化 | |
| 不動產時價登入分析 | Solution |
| 電商網頁銷售改進效果之 A/B Test 分析 | Solution |
| Udacity 教學網站註冊效果之 A/B Test 分析 |
Back to 學習大綱