簡介

之前在kaggle上面學習到了很多Python應用在Machine Learning的方法
對於英文沒有那麼好的我來說，學得有點吃力
想說可以利用這次的機會將之前的筆記整理好，並且全部翻譯成中文
如果之後遇到問題，或不知道要怎麼做的話，就可以查自己的鐵人賽筆記了

30天規劃

• Day 2 [Python ML] 基礎資料處理
• Day 3 [Python ML] 選擇建模用的資料(DecisionTree)
• Day 4 [Python ML] 模型驗證
• Day 5 [Python ML] 欠擬合(Underfitting)和過擬合(Overfitting)
• Day 6 [Python ML] 隨機森林(Random Forests)演算法
• Day 7 [Python ML] Machine Learning的處理流程
• Day 8 [Python ML、特徵工程] 基準模型(Baseline Model)
• Day 9 [Python ML、特徵工程] 分類工程
• Day 10 [Python ML、特徵工程] 特徵生成
• Day 11 [Python ML、特徵工程] 特徵選擇
• Day 12 [Python ML、特徵工程] 特徵工程整理
• Day 13 [Python ML、Pandas] 創建、讀取和寫入
• Day 14 [Python ML、Pandas] 引索、選擇和給值
• Day 15 [Python ML、Pandas] 統整資料和Maps
• Day 16 [Python ML、Pandas] 組成群組合排序
• Day 17 [Python ML、Pandas] 資料類型和遺失值
• Day 18 [Python ML、Pandas] 重新命名和整合
• Day 19 [Python ML、資料視覺化] Seaborn介紹
• Day 20 [Python ML、資料視覺化] 折線圖
• Day 21 [Python ML、資料視覺化] 長條圖和熱度圖
• Day 22 [Python ML、資料視覺化] 散佈圖
• Day 23 [Python ML、資料視覺化] 直方圖、密度圖
• Day 24 [Python ML、資料視覺化] 如何選擇圖表型態
• Day 25 [Python ML、資料清理] 處理遺失值
• Day 26 [Python ML、資料清理] 資料縮放以及標準化
• Day 27 [Python ML、資料清理] 處理資料中的時間
• Day 28 [Python ML、資料清理] 處理字元編碼
• Day 29 [Python ML、資料清理] 處理輸入資料不一致