選手列表
近年來資料科學的課程與應用越來越多，但有了資料、進行分析後，如何選擇適合資料的視覺化方式也是很重要的議題。不好的視覺化會讓人一頭霧水，看不出來資料想表達的意義；好的視覺化則可以更加凸顯這個分析所帶來的洞見。
打醬油剛(蹣跚)完成第二屆機器學習百日馬拉松，想藉此重點複習資料清理的部分，並爬取有興趣的數據來實際操作。 Just finished my 100 days challenge on machine learning basics and feel like I need to review and actually get hands on cleaning the data. This challenge will (hopefully) also contains some real world data scraping and cleaning.
介紹三種常見的數學模型，最佳化模型、動態模型與機率模型。了解這些模型有助於將現實環境中的問題以數學的語言來描述，進而透過程式語言將其應用到人工智慧及資料分析上。
以Courser 課程 How to Win a Data Science Competition: Learn from Top Kagglers How to Win a Data Science Competition: Learn from Top Kagglers, 學習如何贏得資料分析競賽.
用板子玩AI：從前年開始接觸AI的世界，瘋狂玩了一年的板子，終於有了解一點點什麼叫AI了！
接觸了machine learning才知道資料的重要, 有良好的資料才能做好分析,才能拿給機器去做training 這次以洪錦魁的邁向數據科學之路這本書為主軸 最後再輔以今年參加"108年競賽主題為高速公路"遇到的問題來找解決方法
誒，這不是之前就寫過了嗎？不是的！！如果說之前AI&Data得主是訴說感知器到Transformer的深度，這系列文章就是從不會Python到寫Kaggle的廣度，因為看過太多小夥伴想入門卻一開始不會用Python感到挫折，我會實際先說一下這三十天我希望帶給大家什麼，從動手學深度學習一書啟發，讓章節清晰連貫，每天開頭先設定今天要達成的目標，結尾也有反思回顧，若需要會有執行結果，而這也是我的學習路程
自然語言處理是一門結合了人工智慧及語言學的學科。在墨爾本大學攻讀碩士的第一年，我接觸到了自然語言處理這個學門，從此愛上了它，之後的研究也因此朝這方向走下去。這一次系列文的主要對象是給不熟悉人工智慧、機器學習等領域，卻抱有一探究竟之念頭的朋友們。在這次系列文的前方，我悄悄加入了「深入淺出」等字，意思是我不打算在文中鑽進機器學習、神經網路之應用，畢竟過去就曾有許多作者寫過像Hidden Markov Model, RNN, LSTM, …等眾多可以應用在自然語言處理的技術，若有需要我會在文中提到或引用這些文章讓大家參考，盡量以不重複的主題來書寫這個系列文。
