<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Katrina Yeh on Medium]]></title>
        <description><![CDATA[Stories by Katrina Yeh on Medium]]></description>
        <link>https://medium.com/@katrina001205?source=rss-b81a254ff94d------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*UOg2zgBYf5wunP-i</url>
            <title>Stories by Katrina Yeh on Medium</title>
            <link>https://medium.com/@katrina001205?source=rss-b81a254ff94d------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Tue, 17 Nov 2026 06:26:06 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@katrina001205/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[資料降維 — LDA 線性區別分析]]></title>
            <link>https://medium.com/data-science-navigator/%E8%B3%87%E6%96%99%E9%99%8D%E7%B6%AD-lda-%E7%B7%9A%E6%80%A7%E5%8D%80%E5%88%A5%E5%88%86%E6%9E%90-b8adb3df0e01?source=rss-b81a254ff94d------2</link>
            <guid isPermaLink="false">https://medium.com/p/b8adb3df0e01</guid>
            <category><![CDATA[data-overview]]></category>
            <dc:creator><![CDATA[Katrina Yeh]]></dc:creator>
            <pubDate>Sat, 24 Sep 2022 07:16:01 GMT</pubDate>
            <atom:updated>2022-09-24T07:16:01.282Z</atom:updated>
            <content:encoded><![CDATA[<h3>資料降維 — LDA 線性區別分析</h3><p>當資料欄位數過多時會導致模型效果不佳、運算耗時等問題，因此需要將資料進行降維，找出有代表性的特徵或是透過將多個欄位組合成一個特徵欄位的方式來達成。</p><p>說到降維我們常聽見的都是 PCA 主成分分析，但是其實還有一個和 PCA 很像的降維方法 — LDA，在認識 LDA 之前大家可以先了解 PCA 的原理，這樣更能理解 LDA，接下來就和大家介紹 LDA 囉～～</p><h4><strong>🖋 <em>目錄</em></strong></h4><ul><li><a href="#a8be">Linear Discriminant Analysis ( LDA )</a></li><li><a href="#c8b5">LDA如何達到降維？</a></li><li><a href="#21a9">LDA 的優點 &amp; 限制</a></li></ul><h4>Linear Discriminant Analysis ( LDA )</h4><p>Linear Discriminant Analysis (線性區別分析)是一種監督式學習的降維演算法，除了用來降維，也可用於分類，在將資料從高維度映射到低維度的同時， LDA 會將「類別」納入考量當中，目的是為了讓降維後的資料點更容易被區分，希望類別和類別之間分得越開越好。</p><p><strong>LDA 和 PCA 有關嗎？</strong>🧐</p><p>答案是「有的」，LDA 和 PCA 很像，PCA 為非監督式學習演算法，而 LDA 則是監督式學習演算法，兩者主要都是透過將多個特徵合成一個特徵的方式進行降維，PCA 目的在保留特徵的最大變異，LDA 則會加入「類別」的概念，專注於最大化不同類別之間的區隔，希望以「組內差異小，組間差異大」來達到最大變異。</p><h4>LDA 如何達到降維？</h4><p>這邊簡單舉例說明，下圖中有兩個類別不同的樣本點（黃色和綠色），以及X 軸特徵一和 Y 軸特徵二，我們的目標是要將兩個特徵融合成一個特徵來達到降維</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/992/1*-2WORYEkxOziP_9Dbpk9Cw.png" /></figure><p>在 PCA 中，因為 PCA 是屬於非監督式學習，所以兩個類別的資料點都會被視為同一種，而 PCA 為了讓所有樣本的特徵保持最大變異，因此會畫出下圖 PCA 的映射曲線(紅線)，而圖中所有的資料點都會垂直映射(藍色虛線)到PCA 曲線上來達到降維，使這條線可以保留原本特徵的最大變異。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/960/1*ftxuci6E_9w0C2w0sRqwJQ.png" /></figure><p>在 LDA 中， LDA 屬於監督式學習，因為會考量「類別」，這邊用黃色和綠色來代表不同類別的樣本點，而 LDA 希望類別和類別之間的差異越大，類別內的差異越小，基於這樣的情況畫出下圖 LDA 的映射曲線(藍色實線)，而圖中所有的資料點都會垂直映射(藍色虛線)到 LDA 曲線上。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*KVnQOPDseZpjLl5qBuqduw.png" /></figure><p>當所有點都映射到這條線上時，可以看到橘色類別點與綠色類別點的距離(紅線)拉開來了，同一類別的樣本點距離(紫圈)很緊密，而這就達到 LDA 降維的特色「組內差異小，組間差異大」。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/996/1*tvu08O0Xv3Y-JZYKW6ZZlQ.png" /></figure><p>當有兩種以上的特徵時，則會先找出類別間的中心點，接著以「組內差異小，組間差距大」去達到最大變異量。</p><p>詳細的 LDA 數學推導可以參考<a href="https://chih-sheng-huang821.medium.com/%E6%A9%9F%E5%99%A8%E5%AD%B8%E7%BF%92-%E9%99%8D%E7%B6%AD-dimension-reduction-%E7%B7%9A%E6%80%A7%E5%8D%80%E5%88%A5%E5%88%86%E6%9E%90-linear-discriminant-analysis-d4c40c4cf937">這篇</a>～</p><h4>LDA 的優點 &amp; 限制</h4><p>相較於 PCA ，LDA 的降維效果更好，因為 LDA 會考量「類別」，不過 LDA最多只能降維到類別數-1的維度。無論是 PCA 還是 LDA 當資料特徵符合常態分配時效果會比較好。</p><p>最後幫大家回顧一下，LDA 和 PCA 都是資料降維的方法，PCA 的目的為保留資料特徵的最大變異，而 LDA 則是專注於最大化不同類別別之間的區隔，可以根據使用情境選擇適合的處理方式～～</p><p>參考資料：<br><a href="https://pyecontech.com/2020/10/31/python_lda/">[機器學習二部曲] Python實作 — 特徵工程: 如何在考量標籤下進行降維? LDA!</a></p><p><a href="https://www.youtube.com/watch?v=julEqA2ozcA">Linear discriminant analysis (LDA) — simply explained</a></p><p><a href="https://www.youtube.com/watch?v=azXCzI57Yfc">StatQuest: Linear Discriminant Analysis (LDA) clearly explained.</a></p><p><strong>教育部補助大專院校STEM領域及女性研發人才培育計畫</strong>目標為建構一個「以智慧物聯技術與實務應用為基礎的教育環境和實作場域」，並規劃出符合此STEM教育領域的創新特色課程，以畢業前進入企業實習的方式，讓學生了解相關產業界所面對的問題，再輔以業界實作場域的教育訓練活動，共同帶領學生發展出動手做、判斷與解決問題的相關技能；本計畫也規劃讓學生以專題實作的組隊方式，跟業界協力領導學生對外參與智慧物聯技術的應用競賽，不僅可以累積學生實務開發的能力，更能激發其潛能來幫助企業解決所面臨的難題。</p><p><strong>Data Science Meetup 台灣資料科學</strong>社群的使命是「為資料科學人士與企業創建經濟機會」。我們相信大數據蘊藏著巨量的信息和價值，如何處理好大數據並發掘其潛藏的商業價值，就要靠資料科學有效的應用。21世紀是資料科學決勝時代，我們社群將為大家提供與資料科學相關的最新技術和資訊實戰攻略，並透過全球業界人士和學者幫助相關職業規劃與挑戰，社群活動包含</p><ul><li>台北實體版聚</li><li>線上版聚</li><li>Mentorship Program</li></ul><p>歡迎加入我們社團瞭解更多資訊：<a href="https://www.facebook.com/groups/datasciencemeetup/">https://www.facebook.com/groups/datasciencemeetup/</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=b8adb3df0e01" width="1" height="1" alt=""><hr><p><a href="https://medium.com/data-science-navigator/%E8%B3%87%E6%96%99%E9%99%8D%E7%B6%AD-lda-%E7%B7%9A%E6%80%A7%E5%8D%80%E5%88%A5%E5%88%86%E6%9E%90-b8adb3df0e01">資料降維 — LDA 線性區別分析</a> was originally published in <a href="https://medium.com/data-science-navigator">數據領航員</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[初探人臉辨識]]></title>
            <link>https://medium.com/data-science-navigator/%E5%88%9D%E6%8E%A2%E4%BA%BA%E8%87%89%E8%BE%A8%E8%AD%98-b6778326f1a9?source=rss-b81a254ff94d------2</link>
            <guid isPermaLink="false">https://medium.com/p/b6778326f1a9</guid>
            <category><![CDATA[deep-learning]]></category>
            <dc:creator><![CDATA[Katrina Yeh]]></dc:creator>
            <pubDate>Fri, 19 Aug 2022 08:40:10 GMT</pubDate>
            <atom:updated>2022-08-19T08:40:10.079Z</atom:updated>
            <content:encoded><![CDATA[<p>📖 <strong>目錄<br></strong><a href="#1331">何謂人臉辨識？</a><br><a href="#8d17">人臉辨識過程</a><br><a href="#9bee">常見工具</a></p><h3>1. 何謂人臉辨識？</h3><p>隨著電腦視覺不斷的進步，使生活越來越便利，人們可以透過人臉辨識來取代日常生活中的密碼、作為錢包或網銀的安全認證等等，此項技術正逐漸融入到各個領域之中，而人臉辨識可以細分為人臉驗證(Face Verification)和人臉辨識(Face Recognition)</p><h4>(1) Face Verification (人臉驗證)</h4><p>是一對一的比對，來判斷兩者是否為同一個人，如果達到設定的門檻值(例如：相似度達95%以上)，則可視為是同一人。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*QGgENrj43xumR7KycVNdhQ.png" /><figcaption>Are they the same person?</figcaption></figure><p><strong>常見應用</strong>：</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Cv_JxgYKPqfUh4JxtrtRpQ.png" /></figure><h4>(2) Face Recognition (人臉辨識)</h4><p>是一對多的比對，主要是和數據庫的資料進行比對，用來找出最相近的人。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*0VsJ9doxiastceA3gkDFrw.png" /></figure><p><strong>常見應用</strong>：</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*VlkIHUxi8OxR7sAFuXl1-g.png" /></figure><h3>2. 人臉辨識流程</h3><p>人臉辨識大致可以分為三個步驟：人臉偵測、人臉對齊和特徵學習</p><p><strong>(1) 人臉偵測 (Face Detection)</strong><br>找出圖片中的人臉位置，並標示出眉毛、眼睛、鼻子、嘴巴等等位置，下圖為使用Dlib facial landmark model的 5 點模型和 68 點模型來標示臉部特徵。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*VA_ogyM95HbD4F5Nzn6UiA.png" /></figure><p><strong>(2) 人臉對齊 (Face Alignment)</strong><br>圖片中的人臉角度不同會影響辨識精準度，因此需要先校正五官位置調整照片角度，讓每張圖片的人臉角度相近。</p><p><strong>(3) 特徵學習 (Feature Representation)</strong><br>將調整角度過後的五官位置經過深度學習轉成特徵向量，再透過特徵向量去進行分類、相似性比對等等得到結果。</p><p>在進行人臉辨識時，如果我們沒有足夠的樣本數可以進行訓練的話怎麼辦呢？</p><h4>One shot learning</h4><p>在現實情境中，公司通常只會有一張員工的照片，且會有新成員加入，想要實做出人臉辨識Face Recognition，在只有一張照片作為深度學習的訓練資料的情況下效果會很差，此時我們就可以透過one shot learning來實現。</p><p>one shot learning(單樣本學習)，當訓練資料很稀少時使用，此方法主要是透過學習和其他資料之間的不相似度來達成，如果是使用我們常用的CNN來做訓練會需要這個員工不同面向的多張這片才能達成，這種方法的成本太高；但是如果是學習資料之間的不相似度，假如有N位員工，我們就會有N-1個訓練資料，此時只要計算出每個資料之間的距離，再和設定的閾值做比對，小於閾值表示兩者相似，大於閾值則表示兩者距離很遠，比對失敗。</p><p>學習不相似度可以透過Siamese network(孿生架構)來實現，將輸入的兩張照片，經過神經網路(可以是LSTM、CNN…)，這兩個神經網路會共享參數與權重，而最小化損失函數可用triplet loss(三元組損失)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*gfx4gOIJ4KJ_Bo8x6eqVdA.png" /><figcaption>Siamese network(孿生架構)</figcaption></figure><p>在triplet loss中會有三種照片</p><ul><li>Anchor: 要比較的人臉照片</li><li>Positive: 跟 Anchor 是同個人的照片</li><li>Negative: 跟 Anchor 是不同人的照片</li></ul><p>目標是希望這三張照片在經過學習之後，Anchor到Positive距離要小於Anchor到Negative的距離越多越好</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*WLSD9-SY65cTZsQucjUT_Q.png" /><figcaption>圖片來源-<a href="https://medium.com/ai-academy-taiwan/%E4%BD%BF%E7%94%A8%E6%B7%B1%E5%BA%A6%E5%AD%B8%E7%BF%92%E9%80%B2%E8%A1%8C%E4%BA%BA%E8%87%89%E8%BE%A8%E8%AD%98-8eef26596883">使用深度學習進行人臉辨識: Triplet loss, Large margin loss(ArcFace)</a></figcaption></figure><p>最後，人臉辨識中的單樣本學習簡單如下圖所示，圖中Anchor簡稱A，Positive簡稱P，Negative簡稱N：</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*nj1uxWPHMdmqG8f_-mk-mA.png" /></figure><h3>3. 常見工具</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*murL42aFIbYb06ja6DjEEA.png" /><figcaption><a href="https://opencv.org/">openCV</a>、<a href="http://dlib.net/">Dlib</a></figcaption></figure><ol><li>OpenCV<br>OpenCV全名是Open Source Computer Vision Library，是常被拿來使用的影像處理函式庫，OpenCV主要是使用C++語言所編寫，但它有提供像是Python, Java, C#, Ruby的API介面，而OpenCV也廣泛應用在人臉辨識、物體辨識、動態影像識別等等。</li><li>Dlib<br> Dlib是使用C++所編寫，是一套包含機器學習、計算機視覺、圖像處理的函式庫，內含建立好的人臉68個特徵模型、人臉5個特徵模型等各式模型，主要應用在機器學習、影像處理、影像辨識等等，此外，Dlib也有提供<a href="http://dlib.net/python/index.html">Python API</a>做使用。</li></ol><p>這邊也和大家推薦幾篇教學文，透過OpenCV和Dlib來實作人臉辨識</p><ul><li><a href="https://yanwei-liu.medium.com/python%E5%BD%B1%E5%83%8F%E8%BE%A8%E8%AD%98%E7%AD%86%E8%A8%98-%E5%9B%9B-%E4%BD%BF%E7%94%A8dlib%E8%BE%A8%E8%AD%98%E5%99%A8-c75a633e9853">使用OpenCV+Dlib來偵測出人臉位置</a></li><li><a href="https://makerpro.cc/2019/08/face-alignment-through-5-facial-landmarks/">使用Dlib來標示出人臉的5個landmarks</a></li><li><a href="https://medium.com/ching-i/face-recognition-%E4%BA%BA%E8%87%89%E8%BE%A8%E8%AD%98-python-%E6%95%99%E5%AD%B8-75a5e2ef534f">使用RetinaFace進行人臉辨識</a></li></ul><p>在對人臉辨識技術有了初步的認識之後，我們可以將其廣泛應用在不同的情境，像是常見的辨識貓狗、是否配戴口罩，或是結合深度學習去辨識人是否有抽煙習慣…，結合各個不同的領域做進一步的應用！</p><h4>參考資料</h4><p><a href="https://www.netadmin.com.tw/netadmin/zh-tw/technology/CDAFF5E13BEF4B0D8FF1199F43022D75">理解優缺點及應用概況 人臉辨識簡易實作動手玩</a><br><a href="https://medium.com/ai-academy-taiwan/%E4%BD%BF%E7%94%A8%E6%B7%B1%E5%BA%A6%E5%AD%B8%E7%BF%92%E9%80%B2%E8%A1%8C%E4%BA%BA%E8%87%89%E8%BE%A8%E8%AD%98-8eef26596883">使用深度學習進行人臉辨識: Triplet loss, Large margin loss(ArcFace)</a><br><a href="https://blog.tibame.com/?p=15141">你的AI會看圖嗎? Open CV介紹</a><br><a href="https://case.ntu.edu.tw/blog/?p=37142">人臉辨識的困難與突破</a><br><a href="https://medium.com/coding-like-coffee/%E4%BA%BA%E8%87%89%E8%BE%A8%E8%AD%98-face-recognition-cffcec53a544">人臉辨識(Face recognition) 解析與實作</a></p><p><strong>教育部補助大專院校STEM領域及女性研發人才培育計畫</strong>目標為建構一個「以智慧物聯技術與實務應用為基礎的教育環境和實作場域」，並規劃出符合此STEM教育領域的創新特色課程，以畢業前進入企業實習的方式，讓學生了解相關產業界所面對的問題，再輔以業界實作場域的教育訓練活動，共同帶領學生發展出動手做、判斷與解決問題的相關技能；本計畫也規劃讓學生以專題實作的組隊方式，跟業界協力領導學生對外參與智慧物聯技術的應用競賽，不僅可以累積學生實務開發的能力，更能激發其潛能來幫助企業解決所面臨的難題。</p><p><strong>Data Science Meetup 台灣資料科學</strong>社群的使命是「為資料科學人士與企業創建經濟機會」。我們相信大數據蘊藏著巨量的信息和價值，如何處理好大數據並發掘其潛藏的商業價值，就要靠資料科學有效的應用。21世紀是資料科學決勝時代，我們社群將為大家提供與資料科學相關的最新技術和資訊實戰攻略，並透過全球業界人士和學者幫助相關職業規劃與挑戰，社群活動包含</p><ul><li>台北實體版聚</li><li>線上版聚</li><li>Mentorship Program</li></ul><p>歡迎加入我們社團瞭解更多資訊：<br><a href="https://www.facebook.com/groups/datasciencemeetup/">https://www.facebook.com/groups/datasciencemeetup/</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=b6778326f1a9" width="1" height="1" alt=""><hr><p><a href="https://medium.com/data-science-navigator/%E5%88%9D%E6%8E%A2%E4%BA%BA%E8%87%89%E8%BE%A8%E8%AD%98-b6778326f1a9">初探人臉辨識</a> was originally published in <a href="https://medium.com/data-science-navigator">數據領航員</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[資料前處理-缺失值、異常值處理]]></title>
            <link>https://medium.com/data-science-navigator/%E8%B3%87%E6%96%99%E5%89%8D%E8%99%95%E7%90%86-%E7%BC%BA%E5%A4%B1%E5%80%BC-%E7%95%B0%E5%B8%B8%E5%80%BC%E8%99%95%E7%90%86-153ab7506d2a?source=rss-b81a254ff94d------2</link>
            <guid isPermaLink="false">https://medium.com/p/153ab7506d2a</guid>
            <category><![CDATA[data-overview]]></category>
            <dc:creator><![CDATA[Katrina Yeh]]></dc:creator>
            <pubDate>Mon, 27 Jun 2022 02:03:00 GMT</pubDate>
            <atom:updated>2022-06-27T02:03:00.870Z</atom:updated>
            <content:encoded><![CDATA[<p>無論是要做資料分析或是機器學習，當我們取得資料時總會發現資料有缺失或不合常理的值出現，因此，在使用資料之前會需要對這些缺失值和異常值做處理才能使我們得到較好的結果，接下來就要為大家介紹缺失值和異常值的處理方法~</p><h4>目錄</h4><ul><li><a href="#b666">缺失值 (missing value)</a></li><li><a href="#c91d">異常值 (outlier)</a></li></ul><h3>缺失值（Missing Value）</h3><p>數據出現缺失的情形，有可能是系統記錄造成，也可能是人為因素造成</p><h4><strong>處理方法</strong></h4><p>缺失值處理的方法，可以透過補值、刪除或不處理的方式，需要依據應用情境和數據類型選擇適合的處理方式</p><p><strong>1.補值：</strong></p><ul><li>平均、中位數、眾數：在使用平均進行補值需注意是否會受到極大值或是極小值影響；如果為非數值型資料可以使用眾數來找出出現頻率最高的值。</li><li>模型預測：可以使用sklearn 中的IterativeImputation套件進行填補，此方法為多變量填充，在進行填補時會考慮特徵之間的關係，接著建模，每次會選取一個特徵欄位作為結果y，而其他特徵欄位作為輸入x，經過不斷的迭代循環，將最後一次迭代得到的預測值進行填補；預設模型是使用BayesianRidge，也可以選擇其他模型像是RandomForestRegressor, KNeighborsRegressor...進行預測。<br>👉 想進一步了解sklearn缺失值填補可前往<a href="https://scikit-learn.org/stable/modules/impute.html">這裡</a>～</li></ul><p><strong>2. 刪除：</strong>此方法很可能會丟棄重要訊息，除非此欄位不具任何意義或是和要分析的項目無關連，否則不建議使用。</p><p><strong>3. 不處理：</strong>有些機器學習模型對缺失值有容忍度或是會忽略，像是在KNN中缺失值不會參與距離計算；在決策樹中可能可以作為分類的依據之一。</p><h4>👨‍💻示範</h4><p>以下使用<a href="https://www.kaggle.com/datasets/shivamb/netflix-shows">Kaggle Netflix Movies and TV Shows</a>資料集中TV Show的資料示範如何使用pandas填補缺失值。</p><blockquote><strong>df.info()</strong></blockquote><p>df.info() 查看 dataframe 的基本信息：欄位數量、欄位非空值數量、欄位型別</p><pre>show.info()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*dCykZk7Iy8sxuVUuFYjO8w.png" /><figcaption>show.info()</figcaption></figure><p>有了基本資訊後，可以從<strong><em>Non-Null Count</em></strong>這個欄位查看是否有缺失值，詳細的缺失值數量可以用df.isnull().sum()查看</p><blockquote><strong>df.isnull().sum()</strong></blockquote><p>isnull()方法會回傳布林值True, False，sum()方法則會將True加總</p><pre>show.isnull().sum()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/908/1*G8DAgKVxnEvmUTf_670gQg.png" /><figcaption>show.isnull().sum()</figcaption></figure><blockquote><strong>df.fillna()</strong></blockquote><p>df.fillna( 要填補的值 )，若不指定欄位會對整個 DataFrame 補值</p><p>這邊用director和rating欄位進行指定欄位填補示範：</p><p>對director為空的TV Show補&#39;unknown&#39;字串；而從上方show.info()得知rating為類別型資料，因此對rating為空的TV Show透過眾數方式進行補值。</p><pre>## 針對指定欄位填補值<br>values = {&quot;director&quot;: &#39;unknown&#39;, &quot;rating&quot;:show[&#39;rating&#39;].mode()[0]}<br>show = show.fillna(value=values)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*KNvyZbti0iJlwAPDpu1Cnw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*tZwP8GoS51k7JxMtNI_ALQ.png" /></figure><p>df.fillna()除了上述介紹的字串或是中位數，下方也分享的其他用法給大家</p><pre>df.fillna(0) # 用數值(0)填補<br>df.fillna(df.mean()) # 用平均值填補<br>df.fillna(method=&#39;ffill&#39;) # 用前面的值填補<br>df.fillna(method=&quot;backfill&quot;) # 用後面的值填補</pre><h3>異常值（Outlier）</h3><p>數據中出現和整體資料差距過大的值，又稱為離群值。</p><h4><strong>辨別方法</strong></h4><p>我們可以透過統計方法、三個標準差原則來檢查是否有異常值</p><ol><li>簡單統計分析 ：透過資料的平均值、標準差、最大值、最小值…等等來判斷資料是否有異常。</li><li>3σ原則：如果資料是屬於常態分佈，約有68%的資料落在距離平均數正負一個標準差的範圍內，約有95%的資料落在距離平均數正負兩個標準差的範圍內，而距離平均數正負三個標準差的範圍內則包含約99.7%的資料。</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/856/1*vtAzITcY7OnwRDiTvOm9Hw.png" /><figcaption>圖片來源-<a href="https://zh.m.wikipedia.org/zh-tw/68%E2%80%9395%E2%80%9399.7%E6%B3%95%E5%89%87">68–95–99.7法則</a></figcaption></figure><h4><strong>處理方法</strong></h4><ol><li>刪除異常值</li><li>視為缺失值，用處理缺失值的方法進行處理</li><li>不處理：有些機器學習模型對異常值不敏感，例如:在決策樹中異常值可以作為分類的依據之一</li></ol><h4>👨‍💻<strong>示範</strong></h4><p>這邊使用seaborn裡面的tips小費資料集來觀察及排除異常值。</p><pre>tips = sns.load_dataset(&#39;tips&#39;)</pre><blockquote><strong>df.describe()</strong></blockquote><p>df.describe()查看數值欄位的分佈情形：平均值、標準差、最大值、最小值以及25%, 50%, 75%分別落在哪個數</p><pre>tips.describe()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ZFlenjTQxEdzGr-9t3zFJw.png" /><figcaption>tips.describe()</figcaption></figure><p>對資料分佈初步了解之後，我們可以透過seaborn的盒鬚圖(boxplot)畫出資料分布的情形</p><pre>💡盒鬚圖中間盒狀的部分顯示資料集的四分位數(quartiles)，而延伸的鬚狀(藍線)則顯示分佈其餘的部分，通常都是以四分位距(Interquartile range)的1.5倍做為判斷離群值的標準，在鬚狀之外的圓點稱為outlier。</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*r4KMcuC7QIzbulIhsDqgwg.png" /><figcaption>圖片來源-<a href="https://medium.com/python-%E8%B3%87%E6%96%99%E8%A6%96%E8%A6%BA%E5%8C%96/python-%E5%95%86%E6%A5%AD%E6%95%B8%E6%93%9A%E5%88%86%E6%9E%90%E4%B9%8B%E5%8F%AF%E8%A6%96%E5%8C%96%E7%B9%AA%E5%9C%96-%E7%AC%AC11%E8%AC%9B-%E7%AE%B1%E5%BD%A2%E5%9C%96-seaborn-bar-%E4%B8%80-20f93b2c495b">[Python 商業數據分析之可視化繪圖] 第11講： 箱形圖（Seaborn-Box）（一）</a></figcaption></figure><pre>df_tips = tips[[&#39;total_bill&#39;, &#39;tip&#39;, &#39;size&#39;]] # 選出要做圖的欄位<br>fig, axes = plt.subplots(figsize=(16, 8)) # 設定畫布大小<br>sns.boxplot(data=df_tips, orient=&quot;h&quot;, ax=axes) # 繪圖<br>axes.set_title(&quot;Boxplot&quot;, fontsize = 20, color = &#39;green&#39;) # 標題</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*A4aY0SnmKyu71Sbaf0jXlg.png" /></figure><p>從上圖可以發現total_bill, tip, size這三個欄位都存在著異常值，而排除異常值的方法，我們通常會以Q1 — 1.5*IQR、Q3+1.5*IQR作為界線將outlier排除，下方將以這三個欄位做舉例</p><pre>## total_bill<br># IQR = Q3 - Q1<br>IQR = np.percentile(df_tips[&#39;total_bill&#39;], 75) - np.percentile(df_tips[&#39;total_bill&#39;], 25)</pre><pre># outlier = Q3 + 1.5*IQR<br>df_tips = df_tips[df_tips[&#39;total_bill&#39;] &lt; np.percentile(df_tips[&#39;total_bill&#39;], 75) + 1.5*IQR]</pre><pre># outlier = Q1 - 1.5*IQR<br>df_tips = df_tips[df_tips[&#39;total_bill&#39;] &gt; np.percentile(df_tips[&#39;total_bill&#39;], 25) - 1.5*IQR]</pre><pre>## tip<br># IQR = Q3 - Q1<br>IQR = np.percentile(df_tips[&#39;tip&#39;], 75) - np.percentile(df_tips[&#39;tip&#39;], 25)</pre><pre># outlier = Q3 + 1.5*IQR<br>df_tips = df_tips[df_tips[&#39;tip&#39;] &lt; np.percentile(df_tips[&#39;tip&#39;], 75) + 1.5*IQR]</pre><pre># outlier = Q1 - 1.5*IQR<br>df_tips = df_tips[df_tips[&#39;tip&#39;] &gt; np.percentile(df_tips[&#39;tip&#39;], 25) - 1.5*IQR]</pre><pre>## size<br># IQR = Q3 - Q1<br>IQR = np.percentile(df_tips[&#39;size&#39;], 75) - np.percentile(df_tips[&#39;size&#39;], 25)</pre><pre># outlier = Q3 + 1.5*IQR<br>df_tips = df_tips[df_tips[&#39;size&#39;] &lt; np.percentile(df_tips[&#39;size&#39;], 75) + 1.5*IQR]</pre><pre># outlier = Q1 - 1.5*IQR<br>df_tips = df_tips[df_tips[&#39;size&#39;] &gt; np.percentile(df_tips[&#39;size&#39;], 25) - 1.5*IQR]</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*m3_UQpBHhyCiJdRJf5Q1dw.png" /></figure><p>將outlier排除之後可以發現平均值都有些微下降，最大值和最小值之間的差距縮小很多，資料分布的情形比排除前集中。</p><p>最後，在處理缺失值和異常值時，上方所介紹的方法要依據分析和應用去做相對應的處理才是正確的喔~~</p><p>參考資料：</p><p><a href="https://scikit-learn.org/stable/modules/impute.html">sklearn-Imputation of missing values</a></p><p><a href="https://www.796t.com/content/1546217834.html">資料處理 — 缺失值處理&amp;異常值處理</a></p><p><a href="https://codertw.com/%E7%A8%8B%E5%BC%8F%E8%AA%9E%E8%A8%80/669142/">網站數據分析（6） — — 缺失值、異常值和重複值的處理</a></p><p><strong>教育部補助大專院校STEM領域及女性研發人才培育計畫</strong>目標為建構一個「以智慧物聯技術與實務應用為基礎的教育環境和實作場域」，並規劃出符合此STEM教育領域的創新特色課程，以畢業前進入企業實習的方式，讓學生了解相關產業界所面對的問題，再輔以業界實作場域的教育訓練活動，共同帶領學生發展出動手做、判斷與解決問題的相關技能；本計畫也規劃讓學生以專題實作的組隊方式，跟業界協力領導學生對外參與智慧物聯技術的應用競賽，不僅可以累積學生實務開發的能力，更能激發其潛能來幫助企業解決所面臨的難題。</p><p><strong>Data Science Meetup 台灣資料科學</strong>社群的使命是「為資料科學人士與企業創建經濟機會」。我們相信大數據蘊藏著巨量的信息和價值，如何處理好大數據並發掘其潛藏的商業價值，就要靠資料科學有效的應用。21世紀是資料科學決勝時代，我們社群將為大家提供與資料科學相關的最新技術和資訊實戰攻略，並透過全球業界人士和學者幫助相關職業規劃與挑戰，社群活動包含</p><ul><li>台北實體版聚</li><li>線上版聚</li><li>Mentorship Program</li></ul><p>歡迎加入我們社團瞭解更多資訊：<a href="https://www.facebook.com/groups/datasciencemeetup/">https://www.facebook.com/groups/datasciencemeetup/</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=153ab7506d2a" width="1" height="1" alt=""><hr><p><a href="https://medium.com/data-science-navigator/%E8%B3%87%E6%96%99%E5%89%8D%E8%99%95%E7%90%86-%E7%BC%BA%E5%A4%B1%E5%80%BC-%E7%95%B0%E5%B8%B8%E5%80%BC%E8%99%95%E7%90%86-153ab7506d2a">資料前處理-缺失值、異常值處理</a> was originally published in <a href="https://medium.com/data-science-navigator">數據領航員</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[數據分析基本工具-Matplotlib]]></title>
            <link>https://medium.com/data-science-navigator/%E6%95%B8%E6%93%9A%E5%88%86%E6%9E%90%E5%9F%BA%E6%9C%AC%E5%B7%A5%E5%85%B7-matplotlib-2a27398ff573?source=rss-b81a254ff94d------2</link>
            <guid isPermaLink="false">https://medium.com/p/2a27398ff573</guid>
            <category><![CDATA[data-overview]]></category>
            <dc:creator><![CDATA[Katrina Yeh]]></dc:creator>
            <pubDate>Sun, 22 May 2022 02:42:20 GMT</pubDate>
            <atom:updated>2022-05-22T02:42:20.039Z</atom:updated>
            <content:encoded><![CDATA[<p>在科技不斷進步的時代下，數據量也逐漸龐大，資料呈現也成為數據分析不可或缺的一環，透過視覺化圖表的呈現可以有效傳遞數據分析想要表達的觀點和結果，本篇要介紹的是如何使用python視覺化函式庫Matplotlib來繪製視覺化圖表！</p><h4>目錄</h4><p><a href="#cc57">Matplotlib介紹</a><br><a href="#a321">Matplotlib基本元素</a><br><a href="#ad42">Matplotlib兩種使用方法</a><br><a href="#941c">圖表樣式設定</a><br><a href="#56f2">常見圖表</a></p><h3>Matplotlib介紹</h3><p>Matplotlib為python視覺化核心套件，由John Hunter於2003年開發，使用類似MatLab的語法和樣式來繪圖，因此Matplotlib就是MATLAB+Plot+Library的簡稱。</p><p>Matplotlib有一個很常見的模組pyplot，而pyplot這個模組還包含了一個我們經常用來計算和資料分析的套件—Numpy，讓使用者在使用pyplot這個模組時，可以透過Numpy來進行計算，在繪製圖表呈現。</p><p>就讓我們來看看要如何使用Matplotlib這個工具吧！</p><h4>安裝套件</h4><pre>conda install matplotlib #使用conda環境安裝<br>pip install matplotlib   #透過命令列安裝</pre><h4>匯入套件</h4><pre>import matplotlib.pyplot as plt<br>%matplotlib inline<br># 顯示繪圖於notebook中</pre><blockquote><em>%matplolib.inline只能在jupyter notebook或google colab中執行，使用其他的編輯器則要在程式碼尾端使用</em><em>plt.show()的方式來顯示圖表。</em></blockquote><h4>準備資料</h4><p>繪製的資料通常會使用numpy陣列或是pandas欄位，本篇主要會以numpy陣列的方式作為輸入資料。</p><pre>import numpy as np<br>x = np.linspace(0, 10, 20) #建立元素總數為20的0~10等差數列的陣列<br>y = x ** 2</pre><p>有了資料後，先來認識有哪些基本元素吧~</p><h3>Matplotlib基本元素</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*wrj0pmMbdWEkfJYTGncbtg.png" /><figcaption>圖片來源-<a href="https://matplotlib.org/stable/tutorials/introductory/usage.html#sphx-glr-tutorials-introductory-usage-py">Matplotlib.org</a></figcaption></figure><ul><li>Figure 畫布：是最頂層元素，一個Figure可以包含多個Axes</li><li>Axes 子圖：包含X軸、Y軸、標題、X軸標籤、Y軸標籤</li><li>Axis 軸：軸上可以設定刻度和刻度標籤</li><li>Title 標題</li><li>label 標籤</li><li>tick 刻度</li><li>legend 圖例</li></ul><h3>Matplotlib兩種使用方法</h3><ol><li>pyplot-style，EX：plt.plot()</li><li>物件導向方法</li></ol><h4>1. pyplot-style</h4><p>pyplot-style的優點是會選擇當下的 axe 繪圖且可直接對圖型進行設定；相對的，複雜的圖型就會變得比較不那麼適用。</p><p>pyplot-style會用直接呼叫的方式進行繪圖，像是下方繪製折線圖所使用到的plt.plot(), plt.title()…</p><pre>plt.plot(x, y, &#39;b&#39;) # 繪製圖表，x,y為上方建立的資料，&#39;b&#39;表示線為藍色<br>plt.xlabel(&#39;X Axis Title Here&#39;) #設定X軸標籤<br>plt.ylabel(&#39;Y Axis Title Here&#39;) #設定Y軸標籤<br>plt.title(&#39;String Title Here&#39;) #設定圖表標題<br>plt.show() #顯示圖表</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/834/1*hXcA9SQKGXKhQvkaitbtSg.png" /><figcaption>pyplot style-折線圖</figcaption></figure><h4><strong>在同一個畫布繪製多張子圖</strong></h4><p>當想並行比較多張圖的差異時，可以用繪製多張子圖這個功能來協助分析</p><p>使用方法：plt.subplot(圖表列數, 圖表行數, 圖表編號)</p><pre>#左圖<br>plt.subplot(1,2,1) <br>plt.plot(x, y, &#39;b--&#39;)<br>plt.xlabel(&#39;X Label&#39;)<br>plt.ylabel(&#39;Y Label&#39;)<br>plt.title(&#39;Title 1&#39;)</pre><pre>#右圖<br>plt.subplot(1,2,2)<br>plt.plot(y, x, &#39;g*-&#39;)<br>plt.xlabel(&#39;X Label&#39;)<br>plt.ylabel(&#39;Y Label&#39;)<br>plt.title(&#39;Title 2&#39;)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/998/1*PdmkYTqMk1IZSE6mzUo30g.png" /></figure><h4>2. Matplotlib物件導向方法</h4><p>物件導向方法會先透過宣告物件，像是fig與axe，然後再呼叫該物件的方法或屬性來進行繪圖</p><p>使用方法：fig, axe = plt.subplots()</p><pre>fig, axe = plt.subplots()<br>axe.plot(x, y, &#39;b&#39;) # 繪製圖表，x,y為上方建立的資料，&#39;b&#39;表示線為藍色<br>axe.set_xlabel(&#39;X Axis Title Here&#39;) #設定X軸標籤<br>axe.set_ylabel(&#39;Y Axis Title Here&#39;) #設定Y軸標籤<br>axe.set_title(&#39;String Title Here&#39;) #設定圖表標題</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/872/1*ll0AkbmJo_ehXlC_fCpPVg.png" /><figcaption>物件導向方法-折線圖</figcaption></figure><h4>subplots()</h4><p>同樣的，透過在plt.subplots()加入參數也可以像上方pyplot-style同時繪製多個子圖</p><p>使用方法：plt.subplots(nrows=列數量, ncols=行數量, figsize=畫布大小)</p><p>此物件為一個軸管理器，可以自行設定圖的排列方式及數量</p><pre>fig,axes = plt.subplots(nrows=2, ncols=3, figsize=(10,8))</pre><pre># 使用座標軸物件來為繪圖添加內容<br># 對第0列 第1行的物件進行繪圖<br>axes[0][1].plot(x, y) <br>axes[0][1].set_title(&#39;First Plot&#39;)<br>axes[0][1].set_xlabel(&#39;X Label&#39;) <br>axes[0][1].set_ylabel(&#39;Y label&#39;)</pre><pre># 對第1列 第1行的物件進行繪圖<br>axes[1][1].plot(y, x) <br>axes[1][1].set_title(&#39;Second Plot&#39;)<br>axes[1][1].set_xlabel(&#39;X Label&#39;)<br>axes[1][1].set_ylabel(&#39;Y label&#39;)</pre><pre>plt.tight_layout() # 自動調整圖形畫布上的軸的位置，以避免內容的重疊。</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*adO-2VNb7OKp3buRLVF7GQ.png" /></figure><p>認識兩種繪製圖表的方法之後，有沒有哪些方法可以讓圖的樣式更貼近分析的主題呢？答案是「有的」！</p><p>接下來就為大家介紹一些美化圖表方法</p><h3>圖表樣式設定</h3><h4>圖例</h4><p>圖例可以以座標軸物件的 legend() 方法搭配繪圖時的 label 參數創建。</p><pre># 建立畫布<br>fig = plt.figure()</pre><pre># 增加圖形座標軸組<br>ax = fig.add_axes([0,0,1,1])<br>ax.set_title(&quot;Title&quot;)<br>ax.set_xlabel(&quot;X&quot;)<br>ax.set_ylabel(&quot;Y&quot;)</pre><pre># 繪圖<br>ax.plot(x, 2*x,label=&#39;2X&#39;)<br>ax.plot(x, x**2, label=&quot;x**2&quot;)<br>ax.plot(x, x**3, label=&quot;x**3&quot;)</pre><pre># 繪製圖例<br>ax.legend()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/816/1*hh2AUsnWrNzIUUwlpQTZkQ.png" /></figure><h4>顏色、線寬、線條樣式</h4><ul><li><strong>顏色：<em><br></em></strong>b為blue、g為green、r為red，也可以用color= RGB 16進位代碼來表示顏色，其中alpha表示不透明度。</li><li><strong>線寬：</strong>linewidth或lw</li><li><strong>線條樣式：</strong>linestyle或ls，EX：- ,-- ,: , .-</li></ul><p>EX：’g--’表示綠色虛線</p><pre>fig, ax = plt.subplots()</pre><pre>ax.plot(x, x+15, &#39;b.-&#39;) # blue line with dots<br>ax.plot(x, x+10, &#39;g--&#39;) # green dashed line</pre><pre>ax.plot(x, x+4, color=&quot;blue&quot;, alpha=0.5)<br>ax.plot(x, x+5, color=&quot;#81EAE0&quot;, linewidth=5, linestyle=&#39;-&#39;)        <br>ax.plot(x, x+6, color=&quot;#E96F25&quot;, lw=3, ls=&#39;-.&#39;) # RGB 16進位代碼</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/606/1*WogCuS45JtR4yPdxeR7DXQ.png" /></figure><p>這邊簡單介紹了一些常用的圖表樣式的用法，希望對大家有幫助～</p><p>除了上述內容所介紹到的折線圖，以下將為大家介紹如何用Matplotlib繪製其他圖表，就讓我們來看看吧！</p><h3>常見圖表</h3><h4>一、直方圖</h4><p>使用方法：plt.hist(資料, width=直方塊寬度)</p><p>注意：資料的型態需為list或tuple</p><pre>import random<br>data = random.sample(range(1,500), 100) #回傳長度為100且元素唯一的list<br>plt.hist(data, width=30)<br>plt.title(&#39;Histogram&#39;)</pre><p>💡<strong>小補充：</strong>random.sample()隨機選擇 k個元素存放置 list 中</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/604/1*NTQg7ot06JcLLdAgRkd1fQ.png" /><figcaption>直方圖</figcaption></figure><h4>二、圓餅圖</h4><p>使用方法：plt.pie(資料, labels=標籤, autopct=顯示比例且設定取到小數點後幾位數)</p><pre>labels = [&quot;A&quot;,&quot;B&quot;,&quot;C&quot;,&quot;D&quot;]<br>data = np.random.randint(1, 20, 4)<br>plt.pie(data, labels = labels, autopct=&#39;%1.1f%%&#39;)</pre><p>💡<strong>小補充：</strong>random.randint()取得隨機整數</p><blockquote>autopct = &#39;%.1f&#39;：取到小數點後一位<br>autopct = &#39;%.2f&#39;：取到小數點後兩位</blockquote><blockquote>如果想在比例後方加上%符號<br>autopct = &#39;%.1f%%&#39;<br>autopct = &#39;%.2f%%&#39;</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/386/1*-j2-UX_byIHPCHelbfTuIA.png" /><figcaption>圓餅圖</figcaption></figure><h4>三、散佈圖</h4><p>使用方法：plt.scatter(x軸數列, y軸數列, label=點名稱, c=點顏色)</p><p>注意：x軸數列與 y軸數列需等長</p><p>下方用隨機產生的方式來假設有兩組同學(A, B)各有六位成員，想要了解這兩組同學在數據分析這堂課的表現如何，我們可以透過用設定兩組plt.scatter()來分別呈現這兩組成員們的表現，並用顏色區分兩組資料。</p><pre>x = random.sample(range(1,11), 6)<br>y1 = random.sample(range(1,11), 6)<br>y2 = random.sample(range(1,11), 6)</pre><pre>plt.scatter(x, y1, label= &quot;A&quot;, c=&quot;blue&quot;)<br>plt.scatter(x, y2, label= &quot;B&quot;, c=&quot;red&quot;)</pre><pre>plt.xlabel(&quot;X&quot;)<br>plt.ylabel(&quot;Y&quot;)<br>plt.title(&quot;Scatter Plot&quot;, fontsize= 24) #fontsize字體大小<br>plt.legend()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/638/1*n87ETxbS1Covm22cqOQy0w.png" /><figcaption>散佈圖</figcaption></figure><h4>四、盒鬚圖</h4><p>使用方法：plt.boxplot(資料, vert=True, patch_artist=True)</p><ul><li>vert ：預設為True，盒鬚圖為垂直方向，False則為水平方向</li><li>patch_artist：預設為False，四分位框內不填充，True為填充</li></ul><pre>data = [np.random.normal(0, std, 100) for std in range(1, 4)]<br>plt.boxplot(data, vert=True, patch_artist=True)<br>plt.title(&quot;Boxplot&quot;)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/610/1*mv2P2fz2OHeYHoVcBDUuhQ.png" /><figcaption>盒鬚圖</figcaption></figure><h4>結語</h4><p>Matplotlib是在進行數據分析時常用到的視覺化工具，看到這邊相信大家都對基礎的繪圖方法有一定的認識了，本篇Matplotlib的介紹就先告一段囉！希望大家往後可以透過美美的圖來說故事，下一篇將會為大家介紹Matplotlib的兄弟Seaborn，請大家敬請期待囉～</p><p>本次使用到的程式碼也分享給大家使用～～</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/39ca705b4a0c2ef48f2ac704376797bc/href">https://medium.com/media/39ca705b4a0c2ef48f2ac704376797bc/href</a></iframe><h4>參考資料：</h4><p><a href="https://matplotlib.org/stable/tutorials/introductory/usage.html#sphx-glr-tutorials-introductory-usage-py">Matplotlib官網</a></p><p><a href="https://yaojenkuo.io/ml-newbies/03-matplotlib.html#%E5%B8%B8%E8%A6%8B%E7%9A%84%E6%8E%A2%E7%B4%A2%E6%80%A7%E8%B3%87%E6%96%99%E5%88%86%E6%9E%90">常見的探索性資料分析</a></p><p><a href="https://medium.com/@jemmy1234/matplotlib-%E7%B0%A1%E4%BB%8B-857323964e2d">Matplotlib 簡介</a></p><p><strong>教育部補助大專院校STEM領域及女性研發人才培育計畫</strong>目標為建構一個「以智慧物聯技術與實務應用為基礎的教育環境和實作場域」，並規劃出符合此STEM教育領域的創新特色課程，以畢業前進入企業實習的方式，讓學生了解相關產業界所面對的問題，再輔以業界實作場域的教育訓練活動，共同帶領學生發展出動手做、判斷與解決問題的相關技能；本計畫也規劃讓學生以專題實作的組隊方式，跟業界協力領導學生對外參與智慧物聯技術的應用競賽，不僅可以累積學生實務開發的能力，更能激發其潛能來幫助企業解決所面臨的難題。</p><p><strong>Data Science Meetup 台灣資料科學</strong>社群的使命是「為資料科學人士與企業創建經濟機會」。我們相信大數據蘊藏著巨量的信息和價值，如何處理好大數據並發掘其潛藏的商業價值，就要靠資料科學有效的應用。21世紀是資料科學決勝時代，我們社群將為大家提供與資料科學相關的最新技術和資訊實戰攻略，並透過全球業界人士和學者幫助相關職業規劃與挑戰，社群活動包含</p><ul><li>台北實體版聚</li><li>線上版聚</li><li>Mentorship Program</li></ul><p>歡迎加入我們社團瞭解更多資訊：<a href="https://www.facebook.com/groups/datasciencemeetup/">https://www.facebook.com/groups/datasciencemeetup/</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=2a27398ff573" width="1" height="1" alt=""><hr><p><a href="https://medium.com/data-science-navigator/%E6%95%B8%E6%93%9A%E5%88%86%E6%9E%90%E5%9F%BA%E6%9C%AC%E5%B7%A5%E5%85%B7-matplotlib-2a27398ff573">數據分析基本工具-Matplotlib</a> was originally published in <a href="https://medium.com/data-science-navigator">數據領航員</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>