>>修课、报名连结
https://www.ewant.org/admin/tool/mooccourse/mnetcourseinfo.php?id=13809&hostid=13&lang=zh_tw
>>修课证书申请&下载教学请见附件
下载时间:2024/07/01起
摘要
本课程主要将介绍资料科学的基本概念，包含资料处理流程、资料视觉化、资料储存、资料分析、资料预测等。课程中将使Python 进行资料科学实作，并以各种机器学习模式进行资料分析。学生将学会Python应用于资料科学的重要套件工具，以及几种重要的机器学习模式，对于未来从事资料科学相关工作或研究建立良好的基础。
#数据分析
#数据分析
课程目标
修习本课程学生将学会：
1.资料科学的完整流程
2.资料视觉化的呈现方式
3.进阶Python 套件工具的应用
4.机器学习的知识与方法
授课教师
吕威甫 老师
吕威甫老师于2003年获得国立交通大学资讯科学博士学位，之后在中央研究院植物学研究所担任博士后研究员（2003~2004年），
并在清云大学资讯工程系任助理教授（2004~2006年）。 现为亚洲大学资讯工程系助理教授。他的研究兴趣包括计算生物学，
生物资讯学，机器学习，无线传感器网络算法设计，线上学习算法与推荐系统。
吕威甫老师于2003年获得国立交通大学资讯科学博士学位，之后在中央研究院植物学研究所担任博士后研究员（2003~2004年），
并在清云大学资讯工程系任助理教授（2004~2006年）。 现为亚洲大学资讯工程系助理教授。他的研究兴趣包括计算生物学，
生物资讯学，机器学习，无线传感器网络算法设计，线上学习算法与推荐系统。
课程进度表
单元 1:Introduction to Data Science and Python Basics
单元 2:Introduction to NumPy
单元 3:Data Manipulation with Pandas
单元 4:Visualization with Matplotlib
单元 5:期中考
单元 6:Machine Learning and Data Preprocessing
单元 7:Perceptron Learning Algorithm for Classification and logistic Regression
单元 8:K-nearest neighbors and Dimensionality Reduction
单元 9:Cluster analysis
单元 10:期末考
单元 2:Introduction to NumPy
单元 3:Data Manipulation with Pandas
单元 4:Visualization with Matplotlib
单元 5:期中考
单元 6:Machine Learning and Data Preprocessing
单元 7:Perceptron Learning Algorithm for Classification and logistic Regression
单元 8:K-nearest neighbors and Dimensionality Reduction
单元 9:Cluster analysis
单元 10:期末考
评分标准
平时测验：佔总成绩 30 %
期中考：佔总成绩 30 %
期末考：佔总成绩 40 %
通过标准
课程及格标准:60分满分：100分
先修科目或先备能力
基本程式能力、资讯工具使用能力、基础数学能力
建议参考书目
1.Wes McKinney. Python for Data Analysis. O'Reilly Media, Inc. 2012.
2.Jake VanderPlas. Python Data Science Handbook, 2nd Edition. O'Reilly Media, Inc. 2022.
3.Frank Kane. Hands-On Data Science and Python Machine Learning. Packt Publishing. 2017.
