在這個30天的挑戰中,我將帶領讀者逐步掌握如何使用Python進行資料分析,從取得資料、資料清洗到資料視覺化。本教學重視實作操作,理論著墨較少,適合初學者以及希望強化實務能力的讀者。你將學會如何運用Google Colab撰寫程式,利用GitHub儲存專案,並透過Pandas、Numpy、Seaborn與Matplotlib等常用套件完成資料分析全流程。這30天的課程旨在讓你快速上手,並能將這些技術應用於實際專案中。
Day 21: 面積圖 (Area Plot) 的應用與實作 面積圖(Area Plot)是一種用來展示資料隨時間或其他變數變化的累積趨勢的圖表。它類似於折線圖...
Day 22: 資料排序與排名 以下文章,有任何問題。都歡迎私訊我的IG點我私訊在資料分析過程中,排序和排名是非常常見的操作。通過對資料進行排序,我們可以輕鬆地...
Day 23: 餅圖 (Pie Chart) 的應用與實作 餅圖(Pie Chart)是一種常用來展示不同類別之間比例分佈的視覺化工具。它能夠以直觀的方式顯示各...
Day 24: 箱型圖 (Box Plot) 的應用與實作 箱型圖(Box Plot),又稱盒狀圖,是用於顯示資料分佈情況的一種統計圖表。它能夠展示資料的中位數...
Day 25: 熱圖 (Heatmap) 的應用與實作 熱圖(Heatmap)是一種用來顯示變數之間相關性或數據矩陣的視覺化工具。通過顏色強度的變化,熱圖可以幫...
Day 26: 資料標準化與正規化 資料標準化(Standardization)與正規化(Normalization)是資料處理中的兩個重要步驟,尤其在進行機器...
Day 27: 使用 Pandas 進行進階數據操作 Pandas 是 Python 中強大的資料分析工具,提供了豐富的數據處理功能。在之前的課程中,我們學習了...
Day 28: 使用 Sklearn 進行簡單的線性回歸 線性回歸(Linear Regression)是一種基本且常用的統計模型,用於預測目標變數與一個或多個...
Day 29: 使用 Sklearn 進行分類分析 分類分析是機器學習中常見的任務之一,目的是根據已知的標籤資料對新的樣本進行分類。今天,我們將使用 Sklea...
Day 30: 模型評估與準確度測試 模型評估是機器學習中至關重要的一個步驟,它可以幫助我們了解模型的性能,並根據評估結果進行模型的調整和優化。今天,我們將學習...