各位同學好！
這裏將會放置一些在 2018-10-20 的課程會用到的一些資源跟細節。現在我正在更新了！*･゜ﾟ･*:.｡..｡.:*･'(*ﾟ▽ﾟ*)'･*:.｡. .｡.:*･゜ﾟ･* 希望很快地可以讓全部的內容正式跟大家見面。
在上課的過程中，如果有值得一提的參考資料，我也會放在這邊，請大家隨時回來察看。
Last active
December 5, 2018 00:57
-
-
Save VioletVivirand/fdcfa7053fb5ce7eb60b48121b9cec01 to your computer and use it in GitHub Desktop.
A README file for the lecture on 2018-10-20
- Jupyter Lab：適合撰寫 Machine Learning 程式碼、觀察資料、以及妥善保存輸出內容的開發工具
- Numpy：高效能的數學函式庫
- Pandas：簡單易學的資料處理工具，也就是這次課程的重頭戲
- Matplotlib：資料視覺化工具，通常用來建立圖表
- Scikit-learn：Machine Learning 套件
建議在虛擬環境底下操作：
$ pip install numpy pandas matplotlib scikit-learn graphviz jupyter jupyterlab$ conda install numpy pandas matplotlib scikit-learn graphviz jupyter jupyterlab$ pipenv install numpy pandas matplotlib scikit-learn graphviz
$ pipenv install jupyter jupyterlab --dev
$ pipenv lock --pre在我們的 Machine Learning 小範例中，有個步驟是畫出 Decision Tree，這時會用到這個可以繪製 DOT 語言的圖形的工具。
$ apt-get install graphviz$ yum install graphviz建議透過 Homebrew 安裝：
$ brew install graphviz[NOTE] 在下我好像沒在 Windows 上面安裝過 XD 上到那個部分之前我來惡補一下好了！
- Python Pandas 基礎教學 iPython (Jupyter) Notebooks，其中包含幾個部分：
/Preprocessing: 用來處理上課用到的資料集的程式碼，客位可以參考看看原始資料長什麼樣子，而我們怎麼處理成 Machine Learning 分析時易於使用的資料格式，以及為什麼要這樣做/Tutorials: 每一個章節的主要課程內容，可以搭配簡報一起服用。但其中有幾個章節還未完成，我希望接下來會在有空閒的時候補完她們：- Chapter 0: 當初是為了幫 Python 基礎尚未打穩的同學做些常用的技法的重點提示，結果戰場開太多，不知道怎麼收斂，導致沒有寫完
- Chapter 9: 包含了在做 Machine Learning 時，Feature Engineering 的一些手法，沒寫完的原因是不知道怎麼解釋得淺顯易懂，於是暫時擱著
/Practices: 課堂習題。如果這次的課程來不及講，可以給各位當作測試自己有沒有學懂的一些小測驗/Machine_Learning: 我們用 Kaggle 上的 "Titanic: Machine Learning from Disaster" 入門競賽的資料及，做了一個 Machine Learning 的小小範例，讓大家看看 Pandas 處理完的資料可以這樣應用。但我們不會講得很深入，各位同學可以自行針對不懂的內容再行研究，或是期待下一堂講解 Machine Learning 的講師提供其他的指導～
- 上課簡報 (Google Drive)
Sign up for free
to join this conversation on GitHub.
Already have an account?
Sign in to comment