資料科學工具篇



第1章 進入資料科學的學習殿堂



1.1 認識資料科學

1.2 Google Colab：雲端的開發平台

1.3 Colab 的筆記功能



第2章 資料科學神器：Numpy 與Pandas



2.1 Numpy：高速運算的解決方案

2.2 Numpy 陣列建立

2.3 Numpy 陣列取值

2.4 Numpy 的陣列運算功能

2.5 Pandas：資料處理分析的強大工具

2.6 Series 的使用

2.7 DataFrame 的建立

2.8 Pandas DataFrame 資料取值

2.9 DataFrame 資料操作



第3章 資料收集：檔案存取與網路爬蟲



3.1 資料來源的取得

3.2 CSV 檔案的讀取

3.3 JSON 資料的讀取

3.4 Excel 試算表檔案的讀取

3.5 HTML 網頁資料讀取

3.6 儲存資料為檔案

3.7 認識網路爬蟲

3.8 requests 模組：讀取網站檔案

3.9 BeautifulSoup 模組：網頁解析

3.10 文字及檔案資料的收集



第4章 資訊圖表化：Matplotlib 與Seaborn



4.1 Matplotlib：資訊視覺化的核心工具

4.2 折線圖：plot

4.3 長條圖與橫條圖：bar、barh

4.4 圓形圖：pie

4.5 直方圖：hist

4.6 散佈圖：scatter

4.7 線箱圖：boxplot

4.8 設定圖表區：figure

4.9 在圖表區加入多張圖表：subplot、axes

4.10 Pandas 繪圖應用

4.11 Seaborn：更美觀的圖表工具



資料預處理篇



第5章 資料預處理：資料清洗及圖片增量



5.1 資料清洗處理

5.2 資料檢查

5.3 資料合併

5.4 樞紐分析表

5.5 圖片增量



第6章 資料預處理：標準化、資料轉換與特徵選擇



6.1 Scikit-Learn：機器學習的開發工具

6.2 數值資料標準化

6.3 非數值資料轉換

6.4 認識特徵選擇

6.5 使用Pandas 進行特徵選擇

6.6 使用Scikit-Learn 進行特徵選擇



機器學習篇



第7章 機器學習：非監督式學習



7.1 認識機器學習

7.2 K-means 演算法

7.3 DBSCAN 演算法

7.4 降維演算法



第8章 機器學習：監督式學習分類演算法



8.1 Scikit-Learn 資料集

8.2 K 近鄰演算法

8.3 單純貝氏演算法

8.4 決策樹演算法

8.5 隨機森林演算法



第9章 機器學習：監督式學習迴歸演算法



9.1 線性迴歸演算法

9.2 邏輯迴歸演算法

9.3 支持向量機演算法



深度學習篇



第10章 深度學習：深度神經網路(DNN)



10.1 認識深度學習

10.2 認識深度神經網路(DNN)

10.3 實作MNIST 手寫數字圖片辨識

10.4 Gradio 模組：深度學習成果展示

10.5 過擬合



第11章 深度學習：卷積神經網路(CNN)



11.1 認識卷積神經網路(CNN)

11.2 實作貓狗圖片辨識



第12章 深度學習：循環神經網路(RNN)



12.1 認識循環神經網路(RNN)

12.2 下載台灣股市資料

12.3 實作台灣股票市場股價預測



模型訓練進化篇



第13章 預訓練模型及遷移學習



13.1 預訓練模型

13.2 遷移學習



第14章 深度學習參數調校



14.1 hyperas 模組：參數調校神器

14.2 手寫數字辨識參數調校

資料科學工具篇

第1章 進入資料科學的學習殿堂

1.1 認識資料科學
1.2 Google Colab：雲端的開發平台
1.3 Colab 的筆記功能

第2章 資料科學神器：Numpy 與Pandas

2.1 Numpy：高速運算的解決方案
2.2 Numpy 陣列建立
2.3 Numpy 陣列取值
2.4 Numpy 的陣列運算功能
2.5 Pandas：資料處理分析的強大工具
2.6 Series 的使用
2.7 DataFrame 的建立
2.8 Pandas DataFrame 資料取值
2.9 DataFrame 資料操作

第3章 資料收集：檔案存取與網路爬蟲

3.1 資料來源的取得
3.2 CSV 檔案的讀取
3.3 JSON 資料的讀取
3.4 Excel 試算表檔案的讀取
3.5 HTML 網頁資料讀取
3.6 儲存資料為檔案
3.7 認識網路爬蟲
3.8 requests 模組：讀取網站檔案
3.9 BeautifulSoup 模組：網頁解析
3.10 文字及檔案資料的收集

第4章 資訊圖表化：Matplotlib 與Seaborn

4.1 Matplotlib：資訊視覺化的核心工具
4.2 折線圖：plot
4.3 長條圖與橫條圖：bar、barh
4.4 圓形圖：pie
4.5 直方圖：hist
4.6 散佈圖：scatter
4.7 線箱圖：boxplot
4.8 設定圖表區：figure
4.9 在圖表區加入多張圖表：subplot、axes
4.10 Pandas 繪圖應用
4.11 Seaborn：更美觀的圖表工具

資料預處理篇

第5章 資料預處理：資料清洗及圖片增量

5.1 資料清洗處理
5.2 資料檢查
5.3 資料合併
5.4 樞紐分析表
5.5 圖片增量

第6章 資料預處理：標準化、資料轉換與特徵選擇

6.1 Scikit-Learn：機器學習的開發工具
6.2 數值資料標準化
6.3 非數值資料轉換
6.4 認識特徵選擇
6.5 使用Pandas 進行特徵選擇
6.6 使用Scikit-Learn 進行特徵選擇

機器學習篇

第7章 機器學習：非監督式學習

7.1 認識機器學習
7.2 K-means 演算法
7.3 DBSCAN 演算法
7.4 降維演算法

第8章 機器學習：監督式學習分類演算法

8.1 Scikit-Learn 資料集
8.2 K 近鄰演算法
8.3 單純貝氏演算法
8.4 決策樹演算法
8.5 隨機森林演算法

第9章 機器學習：監督式學習迴歸演算法

9.1 線性迴歸演算法
9.2 邏輯迴歸演算法
9.3 支持向量機演算法

深度學習篇

第10章 深度學習：深度神經網路(DNN)

10.1 認識深度學習
10.2 認識深度神經網路(DNN)
10.3 實作MNIST 手寫數字圖片辨識
10.4 Gradio 模組：深度學習成果展示
10.5 過擬合

第11章 深度學習：卷積神經網路(CNN)

11.1 認識卷積神經網路(CNN)
11.2 實作貓狗圖片辨識

第12章 深度學習：循環神經網路(RNN)

12.1 認識循環神經網路(RNN)
12.2 下載台灣股市資料
12.3 實作台灣股票市場股價預測

模型訓練進化篇

第13章 預訓練模型及遷移學習

13.1 預訓練模型
13.2 遷移學習

第14章 深度學習參數調校

14.1 hyperas 模組：參數調校神器
14.2 手寫數字辨識參數調校

資料科學工具篇



第1章 進入資料科學的學習殿堂



1.1 認識資料科學

1.2 Google Colab：雲端的開發平台

1.3 Colab 的筆記功能



第2章 資料科學神器：Numpy 與Pandas



2.1 Numpy：高速運算的解決方案

2.2 Numpy 陣列建立

2.3 Numpy 陣列取值

2.4 Numpy 的陣列運算功能

2.5 Pandas：資料處理分析的強大工具

2.6 Series 的使用

2.7 DataFrame 的建立

2.8 Pandas DataFrame 資料取值

2.9 DataFrame 資料操作



第3章 資料收集：檔案存取與網路爬蟲



3.1 資料來源的取得

3.2 CSV 檔案的讀取

3.3 JSON 資料的讀取

3.4 Excel 試算表檔案的讀取

3.5 HTML 網頁資料讀取

3.6 儲存資料為檔案

3.7 認識網路爬蟲

3.8 requests 模組：讀取網站檔案

3.9 BeautifulSoup 模組：網頁解析

3.10 文字及檔案資料的收集



第4章 資訊圖表化：Matplotlib 與Seaborn



4.1 Matplotlib：資訊視覺化的核心工具

4.2 折線圖：plot

4.3 長條圖與橫條圖：bar、barh

4.4 圓形圖：pie

4.5 直方圖：hist

4.6 散佈圖：scatter

4.7 線箱圖：boxplot

4.8 設定圖表區：figure

4.9 在圖表區加入多張圖表：subplot、axes

4.10 Pandas 繪圖應用

4.11 Seaborn：更美觀的圖表工具



資料預處理篇



第5章 資料預處理：資料清洗及圖片增量



5.1 資料清洗處理

5.2 資料檢查

5.3 資料合併

5.4 樞紐分析表

5.5 圖片增量



第6章 資料預處理：標準化、資料轉換與特徵選擇



6.1 Scikit-Learn：機器學習的開發工具

6.2 數值資料標準化

6.3 非數值資料轉換

6.4 認識特徵選擇

6.5 使用Pandas 進行特徵選擇

6.6 使用Scikit-Learn 進行特徵選擇



機器學習篇



第7章 機器學習：非監督式學習



7.1 認識機器學習

7.2 K-means 演算法

7.3 DBSCAN 演算法

7.4 降維演算法



第8章 機器學習：監督式學習分類演算法



8.1 Scikit-Learn 資料集

8.2 K 近鄰演算法

8.3 單純貝氏演算法

8.4 決策樹演算法

8.5 隨機森林演算法



第9章 機器學習：監督式學習迴歸演算法



9.1 線性迴歸演算法

9.2 邏輯迴歸演算法

9.3 支持向量機演算法



深度學習篇



第10章 深度學習：深度神經網路(DNN)



10.1 認識深度學習

10.2 認識深度神經網路(DNN)

10.3 實作MNIST 手寫數字圖片辨識

10.4 Gradio 模組：深度學習成果展示

10.5 過擬合



第11章 深度學習：卷積神經網路(CNN)



11.1 認識卷積神經網路(CNN)

11.2 實作貓狗圖片辨識



第12章 深度學習：循環神經網路(RNN)



12.1 認識循環神經網路(RNN)

12.2 下載台灣股市資料

12.3 實作台灣股票市場股價預測



模型訓練進化篇



第13章 預訓練模型及遷移學習



13.1 預訓練模型

13.2 遷移學習



第14章 深度學習參數調校



14.1 hyperas 模組：參數調校神器

14.2 手寫數字辨識參數調校