Pandas
含有「Pandas」共 39 篇內容
全部內容
發佈日期由新至舊
這篇筆記主要是介紹資料科學家的好朋友:迭代器和生成器!
迭代器與生成器是大家在處理資料以及訓練模型時常常會使用到的工具，請務必熟悉他們的用法!!!
大部分在學習程式語言的人很常會看到或是聽到一個很抽象的詞:物件導向
對於初學者來說，又出現了一個很難以理解的名詞，而且在學習上的確也是很常讓人碰壁的一部分。雖然有著不小的學習障礙，但是對於提升程式設計能力有很大的幫助，因此建議大家可以多點耐心去接觸並且練習如何使用它。
學習到這個階段，大家如果都有跟上的話已經可以試著自行開發一些工具或是演算法了。不過Python還有提供許多進階的功能可以幫助我們在開發的過程中更順暢、更有效率。
⚠️ 例外處理 (Exception)
學完Python的基礎課程後，大家對於Python已經有了一定程度的了解，可以開始踏入Python進階的課程了! 這邊將介紹 Python 中的函數、模組與套件，這些技巧可以提升結構化、模組化程式的能力，讓程式碼更易於維護、重用與共享。
資料結構是程式設計的核心基石，直接影響演算法的效率與軟體設計的品質。在開發軟體工具時，選擇合適的資料結構不僅是解決問題的關鍵，也是實現高效與穩健程式的重要步驟。
Python 提供了多樣化的內建資料結構，每一種結構都針對特定的任務情境進行了優化設計。接下來，我們將深入探討這些資料結構的特性與用法，
🔄流程控制
條件判斷
條件判斷語句允許程式執行不同的代碼，依條件結果決定程式執行的邏輯。
if：用於判斷條件是否成立，若成立即執行對應程式碼。
elif：用於指定額外條件，當上方的 if 條件不成立時檢查其他可能性。
else：當所有條件皆不成立時執行。
接著會詳細的介紹機器學習的每一個步驟在做什麼，這部分專有名詞會比較多，希望大家可以盡量熟悉。
🙋問題定義
在真正進入機器學習流程之前，需要先定義你想要解決的問題。 如何將你的問題、你的痛點，轉換成機器學習可以執行的任務是你們會遇到的第一個難題，原則上可以遵循以下方法來思考:
還在用 Excel 處理大檔案卻常當機？本篇教你如何用 Python 打造 AI 資料廚房，從環境安裝、工具介紹，讓你快速入門自動化資料處理。適合資料新手，與AI攜手擺脫手動整理資料的上班族！
🔍 為什麼要學機器學習？
在這個資料驅動的時代，從圖像辨識、語音助手到金融風險預測，都離不開機器學習。 透過「從資料中自動學習規則」的能力，機器學習幫助我們：
自動化決策流程（例如：信貸核准）
從龐大資料中發現趨勢與模式（例如：顧客行為分析）
增強傳統演算法的適應力與預測能力
