第一天，我們不急著敲鍵盤寫迴歸模型，也不急著調參，先聊聊「為什麼要做這個題目」，以及接下來這30天，我們將如何用資料科學的方法，拆解現代人的用眼真相。

一、每天盯著螢幕的你，眼睛還好嗎？
早上被手機鬧鐘叫醒、通勤滑社群動態、上班上課盯著筆電寫程式或做報告，晚上放鬆時繼續追劇、打遊戲。
「長時間用眼、近距離盯著螢幕」已經不是少數人的特殊習慣，而是現代人無法迴避的生存常態。伴隨而來的，是乾眼、眼壓飆高、飛蚊症以及不斷加深的近視度數。

坊間充斥著許多護眼常識與耳語：

• 「每天看螢幕超過 8 小時一定會快速近視？」
• 「只要有去戶外運動，就算常盯螢幕也能抵銷傷害？」
• 「吃葉黃素或早點睡，真的對視力維持有統計顯著的幫助嗎？」
  這些觀念聽起來言之成理，但真實的數據究竟怎麼說？到底哪些生活因子才是真正的「視力隱形殺手」？這正是這個系列想要回答的問題。

二、為什麼選擇「探索性資料分析（EDA）」？
在談到資料科學時，很多人第一時間想到的是複雜的深度學習、神經網路或各種花俏的模型演算法。
但在真實的資料科學工作流中，有超過70%的時間與價值其實體現在EDA（Exploratory Data Analysis，探索性資料分析）。

EDA的本質就像當一名數據偵探。
在沒有預設成見的情況下，透過視覺化圖表與統計摘要，摸清資料的長相、抓出荒謬的極端值、驗證常識假說，並找出隱藏在數字背後的真實趨勢。

與其把未經理解的髒數據直接丟進「機器學習黑盒子」得出不可靠的結果，不如扎扎實實把數據說的故事拆解清楚。這也是初學者踏入資料分析最關鍵、最實用的一項核心基本功。

三、30天完整學習與實戰地圖
這30天的內容將嚴格遵循標準的資料分析生命週期，整體架構分為五個階段：
第一階段：環境建置與資料前處理（Day1 – 7）

• 建置Python數據分析工作環境（Jupyter / Colab）。
• 取得公開健康與視力檢查數據，認識欄位定義。
• 處理缺失值與極端離群值，產出乾淨結構化的資料集。
  第二階段：單變量探索（Day8 – 14）
• 觀察單一變數的分佈樣貌（如：大家平均螢幕時長是多少？近視度數偏態如何？）。
• 使用直方圖、箱形圖精準呈現數據集中與離散趨勢。
  第三階段：雙變量關聯與假說檢定（Day15 – 21）
• 探索變數間的交互關係（螢幕時長 vs 視力、戶外活動 vs 視力）。
• 繪製相關矩陣熱力圖，並運用統計檢定（T檢定、卡方檢定）驗證顯著性。
  第四階段：特徵工程與基礎模型解讀（Day22 – 27）
• 建立衍生指標（例如「戶外活動／螢幕使用時長比」）。
• 運用高解釋性的基礎線性／邏輯斯迴歸，透過模型權重係數量化生活因子的影響力。
  第五階段：洞見轉化與展示（Day28 – 30）
• 將冰冷的統計數字轉譯為具體的3大個人化日常護眼指引。
• 利用輕量化網頁工具展示視覺化圖表，完成鐵人賽30天複盤。

四、本系列使用的工具箱
在工具選擇上，我們追求「輕量、實用、易上手」，不需要安裝龐大繁雜的軟體：

• 語言與環境：Python 3、Jupyter Notebook / Google Colab
• 資料處理：⁠pandas⁠、⁠numpy⁠
• 統計與視覺化：⁠matplotlib⁠、⁠seaborn⁠、⁠scipy⁠
• 基礎建模：⁠scikit-learn⁠