AI 數據科學及預測分析證書課程
影片課程隨時開始。

下載安裝VS Code編輯器，並教學如何開啟資料夾與建立第一個Python檔案。

教學如何使用pip指令安裝、查看及移除Python擴充模組。

安裝Jupyter Notebook並示範如何啟動伺服器及新增筆記本檔案進行互動式編程。

講解變數概念與常用的四大資料型態：字串、整數、布林值與浮點數。

示範如何使用if-else進行條件決策，並解決輸入資料型態不符的轉換問題。

介紹清單結構，教學如何建立清單並透過索引值取得特定元素。

學習對清單執行附加(append)、插入(insert)、修改及刪除(remove)等實用操作。

示範如何運用for迴圈遍歷清單，將符合特定條件的分數分類到不同的新清單中。

介紹如何使用def關鍵字定義函數，並透過傳遞參數讓程式碼具備動態處理能力。

講解函數為何應使用return回傳結果而非單純列印，以便後續的資料處理。

教學如何將函數儲存為獨立的.py模組，並在Jupyter Notebook中匯入呼叫。

介紹內建模組運用，並實作文字檔的開啟、讀取(read/readline)與附加寫入(append)。

學習由鍵與值(Key-Value)組成的字典結構，並預告後續Pandas的應用方向。

指導學員進入指定資料夾，並透過 CMD 啟動 Jupyter Notebook 伺服器。

示範如何使用 pip 指令安裝 Pandas 模組，並在 Notebook 成功匯入。

講解 DataFrame 的基礎觀念，並透過字典結構建立包含人名與分數的資料表。

示範如何利用 Pandas 讀取 Excel 檔案，並說明如何安裝缺少的 openpyxl 模組。

示範對整欄資料進行加分運算，以及使用 .str 對字串進行小寫轉換與字元切片。

探討日期字串轉換為 datetime 格式的方法，並指導如何將錯誤訊息交給 AI 輔助除錯。

示範讀取 CSV 格式的學生成績資料，並運用 iloc 語法選取特定的行列範圍。

介紹 describe 函數，一鍵快速產生資料的平均值、中位數、最大最小值等統計指標。

利用 loc 搭配邏輯運算子過濾特定性別，以及示範多重條件的資料篩選方式。

解說 sort_values 的排序功能，並展示如何使用 groupby 計算不同群組的平均或加總分數。

示範從同一個 Excel 檔讀取不同工作表，並利用 merge 函數進行資料表的關聯合併。

教導撰寫 Python 判斷式函數，並透過 apply 搭配 lambda 將運算邏輯套用至整欄資料。

介紹 Matplotlib 套件，示範繪製基本的折線圖並自訂線條顏色、寬度及資料點標記。

運用 plt.bar 繪製長條圖，添加圖表標題與座標軸標籤，並實作 plt.pie 繪製圓餅圖及分離區塊。

總結本節課所學，提醒學員儲存開發進度，並預告下一堂課的自動化及機器學習主題。

講師帶領學員開啟 EZ Drive 並使用命令提示字元進入工作目錄。

在 Jupyter Notebook 中撰寫程式碼匯入 openpyxl 模組以處理 Excel。

學習如何選取 active worksheet 並讀取特定儲存格的值。

示範使用 row 與 column 座標配合迴圈，批次印出學生成績。

透過程式碼將所有學生成績加分，並依條件判斷是否及格寫入新儲存格。

在 Excel 中寫入加總公式，並將修改後的資料另存為新的 Excel 檔案。

介紹將多張發票 Excel 檔案中的資料提取並合併到單一工作表的任務。

撰寫程式碼讀取資料夾路徑，並篩選出副檔名為 .xlsx 的目標檔案。

利用 AI 輔助生成程式碼，透過檔名正確開啟各個發票的工作簿。

加入第二層迴圈，讓程式能夠自動處理每一個工作簿中的所有工作表。

在迴圈外建立一個新的總表檔案，並寫入發票所需的中文標題列。

定位發票中的發票號碼、日期等特定儲存格，將其拷貝並寫入合併總表中。

為了避免檔案覆蓋，在輸出檔名加上時間，並將程式碼儲存為獨立的 .py 執行檔。

透過垃圾郵件分類的例子，講解機器學習中資料標記與模型訓練的基礎概念。

下載 Kaggle 乳癌數據集，運用 scikit-learn 快速建立並畫出決策樹模型。

介紹處理數據集的第一步：清理資料、檢查錯誤值並將文字轉換為數字。

示範如何利用工具以平均數或最高頻率的值填補數值與文字資料的空洞。

講解如何將有次序性與無次序性的類別文字轉換成機器學習能識別的數字。

介紹透過資料標準化將數字縮放到0至1的範圍，以避免數值範圍過大造成的誤差。

說明何謂偏離分子，並示範利用 Z-score 與四分位距 (IQR) 的方法找出異常值。

載入鳶尾花數據集，觀察特徵數據與目標標籤的結構，為模型訓練做準備。

示範打橫切割資料集，隨機抽取八成資料用於訓練模型，兩成用於後續測試。

解釋固定 Random State 的隨機數種子，確保每次訓練抽取的資料集維持一致。

引進 Decision Tree Classifier，利用訓練資料(fit)讓模型學習資料的分類規則。

計算測試資料的預測準確率，並利用 plot_tree 指令將決策樹的判斷規則視覺化。

探討決策樹層數過多造成的 Overfit 現象，示範透過 max_depth 參數控制樹的深度。

介紹 Regression 模型的核心概念，說明如何利用歷史特徵數據預測連續數值。

以學生考試成績為例，利用 Matplotlib 畫出散佈圖並擬合出最佳的線性迴歸線。

講解利用 R 平方 (R-score) 及均方誤差等指標，用具體數字評估迴歸模型的表現。

示範加入多項式特徵(次方)以繪製曲線迴歸圖，並探討處理多個特徵變數的三維預測。