>>修課、報名連結
https://www.ewant.org/admin/tool/mooccourse/mnetcourseinfo.php?hostid=13&id=14088
>>修課證書申請&下載教學請見附件
下載時間:2024/07/01起
摘要
本課程主要將介紹資料科學的基本概念，包含資料處理流程、資料視覺化、資料儲存、資料分析、資料預測等。課程中將使Python 進行資料科學實作，並以各種機器學習模式進行資料分析。學生將學會Python應用於資料科學的重要套件工具，以及幾種重要的機器學習模式，對於未來從事資料科學相關工作或研究建立良好的基礎。
This course will mainly introduce the basic concepts of data science, including data processing procedures, data visualization, data storage, data analysis, data prediction, etc. In the course, Python will be used for data science implementation and various machine learning models will be used for data analysis. Students will learn the important suite of Python tools used in data science, as well as several important machine learning models, establishing a good foundation for future work or research related to data science.
This course will mainly introduce the basic concepts of data science, including data processing procedures, data visualization, data storage, data analysis, data prediction, etc. In the course, Python will be used for data science implementation and various machine learning models will be used for data analysis. Students will learn the important suite of Python tools used in data science, as well as several important machine learning models, establishing a good foundation for future work or research related to data science.
課程目標
修習本課程學生將學會：
1. 資料科學的完整流程
2.料視覺化的呈現方式
3.進階Python 套件工具的應用
4.機器學習的知識與方法
Students taking this course will learn:
1. The complete process of data science
2. Visual presentation of data
3. Application of advanced Python suite tools
4. Machine learning knowledge and methods
授課教師
 |
呂威甫 老師呂威甫老師於2003年獲得國立交通大學資訊科學博士學位，之後在中央研究院植物學研究所擔任博士後研究員（2003~2004年），並在清雲大學資訊工程系任助理教授（2004~2006年），以及在亞洲大學資訊工程系擔任助理教授（2006~2023年），現任教於逢甲大學資訊工程系。他的研究興趣包括計算生物學，生物資訊學，機器學習，無線感測器網路演算法設計，線上學習演算法與推薦系統。 |
課程進度表
單元 1:Introduction to Data Science and Python Basics
單元 2:Introduction to NumPy
單元 3:Data Manipulation with Pandas
單元 4:Visualization with Matplotlib
單元 5:期中考Midterm exam
單元 6:Machine Learning and Data Preprocessing
單元 7:Perceptron Learning Algorithm for Classification and logistic Regression
單元 8:K-nearest neighbors and Dimensionality Reduction
單元 9:Cluster analysis
單元 10:期末考Final exam
單元 2:Introduction to NumPy
單元 3:Data Manipulation with Pandas
單元 4:Visualization with Matplotlib
單元 5:期中考Midterm exam
單元 6:Machine Learning and Data Preprocessing
單元 7:Perceptron Learning Algorithm for Classification and logistic Regression
單元 8:K-nearest neighbors and Dimensionality Reduction
單元 9:Cluster analysis
單元 10:期末考Final exam
評分標準
平時測驗：佔總成績 30 %
期中考：佔總成績 30 %
期末考：佔總成績 40 %
通過標準
課程及格標準:60分滿分：100分
先修科目或先備能力
基本程式能力、資訊工具使用能力、基礎數學能力建議參考書目
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.
