資料科學概論
Introduction to Data Science
| 節 | 週二 |
|---|---|
5 13:20–14:10 | 資料科學概論 MB210 3 節連堂 |
6 14:20–15:10 | |
7 15:30–16:20 |
* 根據陽明交大上課時間表所列
在這門課程中，學生將學習如何運用Python程式語言進行資料分析與基礎機器學習。課程內容包括 1. 基礎Python語言介紹：變數、運算子與運算式、條件判斷（if-else）、迴圈（for/while）、資料結構、字串與文字處理，以及輸入/輸出函式。 2. 生成式AI協助程式撰寫：使用如ChatGPT 等工具輔助程式開發。 3. 資料前處理：學習資料清理與前處理的技術。 4. 應用Python進行資料分析：利用 NumPy 與 Pandas 等模組進行資料分析。 5. 資料視覺化：利用Matplotlib模組繪製圖表與其他視覺化呈現方法。 6. 機器學習入門：介紹監督式學習、非監督式學習與強化學習的基本概念。 7. 迴歸模型：包含線性迴歸、脊迴歸（Ridge Regression）與決策樹／隨機森林迴歸模型。 8. 分類模型：包含邏輯迴歸與決策樹／隨機森林分類模型。 9. 聚類模型：包含K平均演算法與EM演算法 學習目標： 本課程結束後，將預期學生能夠 1. 使用 Python 撰寫基本程式。 2. 利用常見的 Python 模組（如 NumPy、Pandas、Matplotlib）進行資料清理與資料視覺化。 3. 理解機器學習的基本概念，並能應用簡單模型解決迴歸、分類以及聚類問題。 補充說明： 1. 本課程開授於MB210電腦教室，不強制要求學生自備筆電，如有需要亦可攜帶。 2. 學生需於學期第一週進行分組，每組 2 至 3 人，並共同完成兩次作業與期末專題。
計算機概論與程式設計
1. 課堂出席：10% 2. 課堂參與：10% 3. 作業：55%（共 7 次作業，包含5次個人作業及2次團體作業，每次個人作業佔 7%，團體作業佔10%） 4. 期末專題：35%（以小組方式進行，題目由教師指定）
- 單元一：Python 入門
- 單元二：Python 資料分析應用
- 單元三：機器學習入門
- 課程簡介
| 週次 | 主題 |
|---|---|
| 第 1 週 | 課程介紹 |
| 第 2 週 | Python 入門：變數、運算子與運算式 |
| 第 3 週 | If-else 條件判斷、For 與 While 迴圈 |
| 第 4 週 | 資料結構 |
| 第 5 週 | 字串／文字處理與輸入／輸出函式 |
| 第 6 週 | 生成式 AI（ChatGPT）輔助程式開發 |
| 第 7 週 | Python 資料分析：NumPy 模組 |
| 第 8 週 | Python 資料分析：Pandas模組 |
| 第 9 週 | 資料清理與前處理 |
| 第 10 週 | 資料視覺化模組（Matplotlib） |
| 第 11 週 | 資料視覺化模組（Matplotlib）（續） |
| 第 12 週 | 機器學習入門：基本概念 |
| 第 13 週 | 迴歸分析（Scikit-Learn） |
| 第 14 週 | 分類分析（Scikit-Learn） |
| 第 15 週 | 聚類分析（Scikit-Learn） |
| 第 16 週 | 期末專題報告 |
課程教材： 1. 課程投影片/講義 2. 其他補充資料（如：網路資源、教學助理講義及／或資料庫） 參考資料： 1. McKinney, W. (2023). Python for data analysis: Data wrangling with Pandas, NumPy, and IPython. " O'Reilly Media, Inc." 3rd edition. (Open access html version: https://wesmckinney.com/book/#preamble) 2. Python. (2025). Python 3.13.2 documentation. Date accessed: March 26, 2025, https://docs.python.org/3/ 3. Alpaydin, E. (2020). Introduction to machine learning. second edition.
- 地點
- A808
- 時間
- Book by email
- 聯絡方式
- Email: tyan@nycu.edu.tw