今天終於從期末地獄中解脫 又回來繼續學習拉之前在使用中發現jieba在切割詞的時候不是很精準並查到可以使用hugging face裡面的一些模型可以更快速的投入...
在第一天完成開發環境建置與 Jupyter 配置後，今天正式進入 Python 核心語法。很多初學者直接跳進 Pandas 或繪圖套件時，常被各種資料取值方式搞...
第六天，我們要進入資料分析實務中最耗時、但也最關鍵的環節——資料清洗（Data Cleaning）。在現實世界中收集到的數據很少是完美無瑕的，常因為問卷漏填、感...
第十五天！我們不知不覺已經完成了 30 天鐵人賽的一半進程。從最一開始的環境建置、NumPy 矩陣運算，到 Pandas 的資料清理、分組聚合、時間序列處理，再...
第八天，我們要進入資料分析中最具洞察力的核心技能——分組與聚合（GroupBy & Aggregation）。清洗完資料後，我們通常不會逐筆看原始紀錄，...
本系列將用 30 天帶大家從零開始，循序漸進走入 Python 資料分析的世界。從最基礎的 Python 核心語法與環境建置開始，逐步推進到 NumPy 矩陣運...
第三天，我們要來認識 Python 資料分析的核心基石——NumPy。後續會大量使用的 Pandas 表格與繪圖套件，底層都是依賴 NumPy 進行高速的矩陣與...
第十二天，我們要從基礎繪圖進階到統計視覺化利器——Seaborn。昨天使用的 Matplotlib 適合精細調整圖表細節，而 Seaborn 是建立在 Matp...
第十四天，我們正式踏入機器學習與進階數據建模的敲門磚——特徵工程（Feature Engineering）！乾淨的資料並不等於可以直接拿來給演算法計算的資料。例...
第十一天，我們要正式邁入「資料視覺化」的領域！在完成資料清理與計算後，一張直觀的圖表遠比一堆冰冷的數字更能傳達商業洞察。Python 最老牌且生態系最龐大的視覺...
第十三天，我們要將前面所學的 Pandas 資料操作與 Seaborn 視覺化整合起來，進行資料分析領域最重要的標準流程——探索性資料分析（Explorator...
第九天，我們要解決資料分析中極為常見的需求——多表格整併（Data Merging & Concatenation）。在實際專案裡，數據很少單獨存放在同...
第十天，我們來到資料分析非常核心的一大主題——時間序列資料處理。無論是電商交易紀錄、網站流量日誌還是股市行情，資料幾乎都帶有時間戳記。然而原始資料讀入時，時間通...
第二十六天，我們要回到連續型數值的預測任務，深入探討傳統線性回歸（OLS）的兩大致命傷——多元共線性 與 模型過度擬合。當輸入特徵數量眾多且彼此高度相關時，普通...
第十七天，我們要從「數值預測（回歸）」轉向機器學習另一大主流應用——分類問題（Classification）。昨天的線性回歸用來預測連續數值（如薪水、房價），但...
第二十七天，我們要探索在各類 Kaggle 數據競賽與工業界應用中表現亮眼的代表性架構——Boosting。在 Day 20 介紹的隨機森林屬於 Bagging...
第二十二天，我們要探討資料科學領域經典的資料壓縮與降維技術——主成分分析（Principal Component Analysis，簡稱 PCA）。在真實資料集...
第十八天，我們要繼續深化二元分類模型的評估指標。昨天我們認識了混淆矩陣，但混淆矩陣的計算高度依賴一個「預設分類門檻值（通常為 0.5）」。如果今天我們調整判斷門...
第十六天，我們正式踏入機器學習（Machine Learning）的領域！在昨天的半程專案中，我們完成了資料清理與特徵工程；今天我們要學習如何讓電腦「從數據中學...
第二十五天，我們要探討模型訓練完成後，如何邁向實際應用與工程落地的核心步驟—— Model Persistence 與 Inference Pipeline。在...
第二十一天，我們要邁向機器學習的全新板塊——非監督式學習！在前面幾天介紹的線性回歸、邏輯斯迴歸與隨機森林中，資料都附帶了明確的解答標籤，模型的工作是去預測答案。...
第二十天，我們要進入現代機器學習中最實用且強悍的技術——集成學習。，昨天學到的單一決策樹雖然直觀好懂，但容易受到極端值干擾且極易過擬合。為了解決這個缺點，隨機森...
第十九天，我們要跨入具備非線性切分能力且直覺好懂的機器學習模型——決策樹（Decision Tree）。先前介紹的邏輯斯迴歸是在空間中劃出一條直線或平面，但現實...
第二十三天，我們要進入機器學習工程師最關鍵的調校利器——交叉驗證（Cross-Validation） 與 超參數網格搜尋（GridSearchCV）。在前面的篇...
第二十四天，我們要面對現實資料科學中最具挑戰性的痛點——類別不平衡（Class Imbalance）。在信用卡盜刷偵測、罕見疾病篩檢或設備故障預測中，正樣本（少...
第三十天，我們終於抵達了這趟 30 天馬拉松的終點線！從第一天建立虛擬環境、摸索 NumPy 陣列矩陣運算，到利用 Pandas 進行各種棘手的資料清洗、時間序...
第二十八天，我們進入了鐵人賽的最後衝刺階段！在過去兩週內，我們陸續學過了Logistic Regression、Decision Tree、Bagging 集成...
第二十九天，也是我們鐵人賽技術實作的最高峰！在過去的 28 天中，我們從最基礎的矩陣處理、數據清理、分組視覺化，一路走到監督式學習（回歸、決策樹、隨機森林、XG...
這一年，我讓 AI（人工智慧）幫我維護一套真的在運作的產品。 不是練習專案。不是做一個登入頁。也不是只要畫面好看就好的展示頁。 而是一套 AI 客服 SaaS。...
至此，我們已經把 Hermes Agent 安裝完成，也知道 AI Agent 和一般聊天型 AI 最大的差異。但是知道概念，跟真的使用是兩件事情。很多人在開始...
Rson
iThome鐵人賽
看影片追技術