資料科學
含有「資料科學」共 122 篇內容
全部內容
發佈日期由新至舊
Python系列的筆記到這邊就差不多要告個段落，我介紹了基礎語法與進階語法的功能與使用方式。基礎語法對於初學者來說是滿容易理解而且能快速上手的部分，進階語法則是初學者的噩夢，常常讓人難以理解也不知道怎麼使用，不過它卻是讓大家提升程式設計能力的好工具。 一開始大家不需要去死記硬背這些進階語法，只需要大
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!!!
為什麼考試成績總是集中在平均數附近？其實，這背後藏著數學裡最重要的概念之一——常態分布。
從身高到咖啡風味，許多生活現象都呈現「鐘型曲線」。這篇文章用簡單例子帶你認識二項分布、均勻分布與常態分布，解釋它們如何描述資料的隨機性，並揭開為什麼常態分布在機器學習中如此關鍵。
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)
一台號稱 90% 成功率的新咖啡機，第一杯卻煮壞了？頻率派會說「只是運氣差」，貝氏派卻立刻調整信心。這篇用咖啡故事拆解機率、隨機變數與機器學習的不確定性，還有小測驗挑戰你是哪一派喔。
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。
對程式新手或文組轉職者來說，Git、GitHub、IDE 常令人困惑。其實IDE 像是寫程式的桌子，Git 是記錄版本的日記，GitHub 是作品展覽廳。也可以用 Google Colab 寫 Python，直接存到 GitHub，先從簡單方法開始，讓程式碼管理更完整，也為履歷加分。
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，
當你想知道「這段時間走了多遠」，你其實已經在用「積分」的概念了。積分是導數的反運算，用來累積微小的變化、計算曲線下面的面積。這篇文章用開車、速度與距離的比喻，帶你建立積分直覺，並介紹它在機器學習中的應用。適合對數學陌生、但想踏入資料科學世界的文組大人。
