課程介紹
**本課程為自學課程,不提供線上諮詢與輔導,不回答任何課程內容相關問題**
- 課程摘要
隨著科技的進步,透過寫程式的過程,可以做的事情越來越多。小至每日事項的自動化,大到可以做各式企業諮詢的IBM Watson,「會寫程式」這件事,忽然好像和「會說英文」一樣重要:
銀行招收同時精通財務和機器學習的研究員;中研院史語所、社會所希望研究助理「具備以程式檢閱、分析文本的能力」;美國啟用具法律諮詢功能的AI,鴻海、華碩等科技公司更是獅子大開口,對外派業務除了要求外語能力之外,更開出「資訊相關科系畢業或具一定程式能力」條件;電腦特效、電腦動畫、數位藝術等等,更不知道更迭了多少世代。
本課程選擇的程式語言是Python。Python語法簡單好寫,背後社群強大,在數據分析領域本就佔有一席之地,現在部分流行的開源軟體和套件,也都是以Python作為主要實作語言。 此外,在深度學習與AI風靡世界的現在,作為大部分深度學習套件選用的程式語言,Python也榮登2017年最受學界、業界,以及開源軟體界中最受歡迎的程式語言第一名。
我們將讓學生從Python中學習基礎的程式邏輯與概念,使他們在大數據、人工智慧紅透半邊天的現在,佔據一個有利的位置。
銀行招收同時精通財務和機器學習的研究員;中研院史語所、社會所希望研究助理「具備以程式檢閱、分析文本的能力」;美國啟用具法律諮詢功能的AI,鴻海、華碩等科技公司更是獅子大開口,對外派業務除了要求外語能力之外,更開出「資訊相關科系畢業或具一定程式能力」條件;電腦特效、電腦動畫、數位藝術等等,更不知道更迭了多少世代。
本課程選擇的程式語言是Python。Python語法簡單好寫,背後社群強大,在數據分析領域本就佔有一席之地,現在部分流行的開源軟體和套件,也都是以Python作為主要實作語言。 此外,在深度學習與AI風靡世界的現在,作為大部分深度學習套件選用的程式語言,Python也榮登2017年最受學界、業界,以及開源軟體界中最受歡迎的程式語言第一名。
我們將讓學生從Python中學習基礎的程式邏輯與概念,使他們在大數據、人工智慧紅透半邊天的現在,佔據一個有利的位置。
- 課程目標
本課程透過課程講述與實作練習,期許學生達成幾點目標:
- 學生能夠學習基礎的程式撰寫,掌握如串列、條件判斷、迴圈等核心概念。
- 學生能夠學習計算思維,進而發展將各種問題程式化,並有效解決的能力。
- 學生能夠理解數據分析的基本概念與技巧,運用於自身專業領域,把程式作為解決該領域問題的一種工具。
- 上課形式
本課程共有七大單元。每週會有數個長度約在5~7分鐘不等的短片供學生觀看,共約一個小時。本課程為自學課程,無教師及助教協助回答問題。
- 先修科目或先備能力
僅需基礎的高中數學能力,掌握矩陣、函數的概念,以及能夠熟練使用四則運算、指數運算等基礎算子等等。
教科書:
課程GitHub: https://github.com/yenlung/Python-3-Data-Analysis-Basics
精通 Python:運用簡單的套件進行現代運算,Bill Lubanovic著,歐萊禮出版
Data Science from Scratch中文版:用Python學資料科學,Joel Grus著,歐萊禮出版。
精通 Python:運用簡單的套件進行現代運算,Bill Lubanovic著,歐萊禮出版
Data Science from Scratch中文版:用Python學資料科學,Joel Grus著,歐萊禮出版。
教學進度:
週次 |
單元主題 |
影音時數 |
第一週 |
Python程式基礎I Python的開發環境、串列與繪圖 |
1小時 |
第二週 |
Python程式基礎II 迴圈、條件判斷 |
1小時 |
第三週 |
Python強大的秘密: numpy、向量化與各式套件 |
1小時 |
第四週 |
處理與展示資料的技巧: Python的字典檔與jupyter互動功能 |
1小時 |
第五週 |
試算表: pandas數據分析 |
1小時 |
第六週 |
預測未來: 用線性迴歸做預測 |
1小時 |
第七週 |
成為機器學習專家 機器學習概要 |
1小時 |
課程活動
-
1.[第一周]Python程式基礎I Python的開發環境、串列與繪圖
-
閱讀 > 1 分鐘 1.2 第一週課程簡介
01:32
-
閱讀 > 6 分鐘 1.3 安裝 Anaconda
06:55
-
閱讀 > 7 分鐘 1.4 把 Python 當計算機用
07:05
-
閱讀 > 5 分鐘 1.5 Jupyter 的魔術指令
05:01
-
閱讀 > 7 分鐘 1.6 用 Markdown 做筆記
07:10
-
閱讀 > 3 分鐘 1.7 變數好好用
03:29
-
閱讀 > 4 分鐘 1.8 List 是數據分析第一步
04:33
-
閱讀 > 5 分鐘 1.9 字串和 hello world
05:12
-
閱讀 > 7 分鐘 1.10 拍拍機器人
07:03
-
閱讀 > 7 分鐘 1.11 助教 Office Hour
07:30
-
分數 > 60 1.13 [第一周]簡單的課後測驗
-
2.[第二週]Python程式基礎II 迴圈、條件判斷
-
閱讀 > 4 分鐘 2.1 專家訪談 偉涵
04:40
-
閱讀 > 2 分鐘 2.2 第二週課程簡介
02:20
-
閱讀 > 3 分鐘 2.3 條件判斷
03:41
-
閱讀 > 7 分鐘 2.4 用迴圈做拍拍機器人
07:19
-
閱讀 > 5 分鐘 2.5 字串簡簡單單格式化
05:17
-
閱讀 > 3 分鐘 2.6 函數寫法初級
03:33
-
閱讀 > 3 分鐘 2.7 函數的練習
03:18
-
閱讀 > 5 分鐘 2.8 List 的切割
05:23
-
閱讀 > 1 分鐘 2.9 很像list的字串切割
01:52
-
閱讀 > 2 分鐘 2.10 List 快速生成法
02:45
-
閱讀 > 3 分鐘 2.11 for 迴圈
03:33
-
閱讀 > 2 分鐘 2.12 判斷關鍵字有沒有出現在字串中
02:35
-
閱讀 > 5 分鐘 2.13 if 條件判斷
05:04
-
閱讀 > 2 分鐘 2.14 亂數好好玩
02:40
-
分數 > 60 2.15 第二周小測驗
-
-
3.[第三週] Python強大的秘密: numpy、向量化與各式套件
-
閱讀 > 5 分鐘 3.1 專家訪談 庭筠
05:55
-
閱讀 > 2 分鐘 3.2 第三周課程簡介
02:13
-
閱讀 > 5 分鐘 3.3 正規讀套件的方法之一
05:37
-
閱讀 > 2 分鐘 3.4 正規讀套件的方法之二
02:21
-
閱讀 > 5 分鐘 3.5 數據分析的標準動作
05:43
-
閱讀 > 3 分鐘 3.6 處理一整個 list 的數字
03:17
-
閱讀 > 3 分鐘 3.7 Array 真是太炫了
03:26
-
閱讀 > 3 分鐘 3.8 用 Array 算成績(加權和)
03:54
-
閱讀 > 4 分鐘 3.9 算全班成績(Python 的 broadcasting)
04:49
-
閱讀 > 4 分鐘 3.10 Array 大變身
04:15
-
閱讀 > 3 分鐘 3.11 Array 的快速生成法
03:06
-
閱讀 > 3 分鐘 3.12 Array 畫圖超方便
03:48
-
閱讀 > 4 分鐘 3.13 Array 快篩法
04:50
-
分數 > 60 3.14 第三周小測驗
-
閱讀 > 16 分鐘 3.15 助教 Office Hour_week 2+3
16:01
-
-
4.[第四週] 處理與展示資料的技巧: Python的字典檔與jupyter互動功能
-
閱讀 > 6 分鐘 4.1 專家訪談 mosky
06:50
-
閱讀 > 2 分鐘 4.2 第四周課程簡介
02:05
-
閱讀 > 2 分鐘 4.3 字典資料型態
02:58
-
閱讀 > 4 分鐘 4.4 超炫的互動功能之一
04:51
-
閱讀 > 2 分鐘 4.5 超炫的互動功能之二
02:55
-
閱讀 > 2 分鐘 4.6 互動應用範例
02:14
-
閱讀 > 5 分鐘 4.7 圖形的互動之一
05:02
-
閱讀 > 7 分鐘 4.8 圖形的互動之 over fitting
07:56
-
閱讀 > 5 分鐘 4.9 互動範例BMI計算器
05:02
-
分數 > 60 4.10 第四周小測驗
-
-
5.[第五週]試算表:pandas數據分析
-
閱讀 > 5 分鐘 5.1 專家訪談 秋蕙
05:36
-
閱讀 > 2 分鐘 5.2 第五週課程介紹
02:16
-
閱讀 > 7 分鐘 5.3 熊貓是 Python 的 Excel
07:46
-
閱讀 > 9 分鐘 5.4 用熊貓做基本數據分析
09:30
-
閱讀 > 6 分鐘 5.5 組裝自己的 DataFrame
06:59
-
閱讀 > 8 分鐘 5.6 用 Groupby 找到美國最常目擊 UFO 的州
08:44
-
閱讀 > 5 分鐘 5.7 Pandas 的 loc 定位法
05:50
-
閱讀 > 9 分鐘 5.8 玩玩真的股票資料
09:14
-
分數 > 60 5.9 第五周小測驗
-
需繳交, 同儕互評, 2017-11-29 5.10 第五週作業
-
閱讀 > 4 分鐘 5.11 助教 Office Hourweek 4+5
04:40
-
-
6.[第六週]預測未來:用線性迴歸做預測
-
閱讀 > 7 分鐘 6.1 專家訪談 助教
07:30
-
閱讀 > 10 分鐘 6.2 預測就是學一個函數
10:38
-
閱讀 > 4 分鐘 6.3 線性回歸的基本概念
04:26
-
閱讀 > 5 分鐘 6.4 模擬線性回歸的數據
05:53
-
閱讀 > 7 分鐘 6.5 假的資料真的回歸
07:53
-
閱讀 > 6 分鐘 6.6 過度擬合overfitting
06:14
-
閱讀 > 11 分鐘 6.7 訓練資料和測試資料
11:24
-
閱讀 > 9 分鐘 6.8 用線性回歸預測波士頓房價
09:07
-
閱讀 > 7 分鐘 6.9 畫出各 feature 和輸出關係
07:10
-
分數 > 60 6.10 第六週小測驗
-
-
7.[第七週]成為機器學習專家 機器學習概要
-
閱讀 > 8 分鐘 7.1 機器學習入門
08:55
-
閱讀 > 8 分鐘 7.2 分類資料的準備
08:31
-
閱讀 > 4 分鐘 7.3 SVM做分類
04:46
-
閱讀 > 9 分鐘 7.4 完整畫出我們的分類結果
09:27
-
閱讀 > 9 分鐘 7.5 做鳶尾花的分類
09:21
-
閱讀 > 7 分鐘 7.6 很酷的分類畫圖 contourf
07:31
-
閱讀 > 3 分鐘 7.7 用 KMeans 自動分類
03:54
-
分數 > 60 7.8 第七周小測驗
-
閱讀 > 8 分鐘 7.9 助教 Office Hourweek 6+7
08:22
-
-
8.課後大補帖