資料科學
#
資料科學
含有「資料科學」關鍵字的內容
全部共 51 篇文章
排序:發佈日期新到舊
要解決問題,就別把年月日放在長條圖的橫軸了吧
離開學術環境,進入到產業界之後,最近最有體會的事情有兩個。 學界vs業界 第一點是在製作簡報,整理資料的時候,不需要書寫太多的論述與說明。第二點是在製作圖表的時候,往往看到很多橫軸為時間的圖,不論是by月、日或年,而且圖上的資料標籤相當多。 有關第一點我目前還在調適當中,如果我寫太多字,說明太
yun
發佈於
台北人的台南大冒險
7
閱讀時間約
5
分鐘
#
南科
#
研究所
#
博士
【圖論Graph】Part1:初探圖形與圖形演算法之應用
圖形演算法在資料處理上扮演重要角色。本文介紹圖形的歷史、定義、技術用途,以及為什麼我們要關心圖形演算法。文末還提及圖形演算法在機器學習領域的應用。下次將介紹更詳細的圖形演算法內容。
Karen
發佈於
資料科學家之路
3
閱讀時間約
2
分鐘
#
學習
#
金融市場
#
圖形
Hermès愛馬仕 和 Coach蔻馳 的包包會差多少錢?Python 分析精品包包的品牌等級與價格分佈
精品包的品牌等級代表了品牌的歷史、設計風格以及定位,從最高端的奢侈品市場(Hermès, Chanel)到入門級奢華品牌,價格差距極大。本文探討了品牌等級的定義,品牌對價格的影響以及不同品牌等級的價格分佈和平均價格。
Jasmine
發佈於
Data Science
0
閱讀時間約
4
分鐘
#
品牌
#
包包
#
奢侈
機器學習實用技巧:用多進程加速你的特徵工程
在數據科學和機器學習中,特徵工程是提高模型性能的關鍵步驟之一,通過創建新特徵或轉換現有特徵,我們可以更好地捕捉數據中的信息,提高模型的預測能力。然而,當處理大數據集時,特徵工程可能變得耗時,而且若是在研發階段,特徵其實是需要快速迭代去產生並且做後續的實驗,這也是近期遇到的問題,因此想在這篇文章實作多
Karen
發佈於
資料科學家之路
9
閱讀時間約
11
分鐘
#
數據
#
學習
#
資料科學
生存報告_20231010
這2個月以來,專心於上職訓局的課程,擴展自己的技能樹,但不得不先暫停更新貓享想。現在結訓了,可以回歸重新耕耘,也開設新的專題「學享」,接下來從職訓期間的分享開始更新。
Mineko
發佈於
隨享
3
閱讀時間約
2
分鐘
#
職訓
#
AI
#
數據分析
特徵工程前的三大核心準備!
1. 問題定義 每一個成功的模型都始於明確的問題定義! 核心思考:你的模型想要達到什麼目的? 例如:是要偵測每一筆交易是否涉及洗錢,還是要從大量資料中找出可能的洗錢關聯戶? 2. 數據檢查 數據是模型的基石,但不是所有數據都是有用的! 核心思考:你的數據夠嗎?時間分佈如何?正負樣本
Karen
發佈於
資料科學家之路
7
閱讀時間約
1
分鐘
#
數據
#
核心
#
模型
新冠疫情逼退國民壽命 8 年!近年趨勢與縣市比較 | 資料台灣DATAiWAN
台灣的國民壽命近年趨勢如何?疫情對壽命的影響是什麼?不同縣市的差異怎麼樣?結果同步發布到Tableau Public,一起來看看吧!
李政旺
發佈於
資料台灣DATAiWAN
6
閱讀時間約
6
分鐘
#
壽命
#
醫療資源
#
縣市
【🔒 Python實戰營 - Data Science 必修班】Pandas 資料清洗技 - 整形式
繼「【🔒 Python實戰營 - Data Science 必修班】Pandas 資料清洗技 - 填補式」之後,我們已經學會怎麼填補空缺資料了,那這個章節我們來教您如何對某些欄位有條件的整形,有時候我們的資料來源某些欄位資料格式不一,甚至型態都不是正規統一的值,此時我們就需要針對這些值進行一些處理
阿Han
發佈於
🔒 阿Han的軟體心法實戰營
5
閱讀時間約
13
分鐘
#
資料科學
#
資料工程
AI Booster - Scale AI (1)
Better Data. Better AI. Faster AI. Scale AI 是一家2016年成立的科技公司,其願景是加速人工智慧和機器學習於各大產業的應用。在導入機器學習
Informula
發佈於
AI Booster
4
閱讀時間約
3
分鐘
#
AI
#
人工智慧
#
資料科學
如何撈取台美股所有的股號的資料並儲存於SQLite? Part 1.1
之前在如何撈取台美股所有的股號的資料並儲存於SQLite? Part 1討論到如何使用stocksymbol撈取台美股股票代碼,在這篇我們介紹另一種方法撈取清單。
Informula
發佈於
Informula
1
閱讀時間約
2
分鐘
#
ETF
#
美股
#
股市
#
#
#
#
#
#
#
#
#