歡迎來到這個為 Python 初學者設計的教學課程！本課程旨在引導您從零開始，逐步掌握 Python 程式設計的基礎，並進一步探索資料處理與機器學習的有趣世界。
無論您是完全沒有程式設計經驗的新手，還是想從其他語言轉換跑道的開發者，這裡都提供了清晰、易懂的學習路徑。
本課程分為三個主要章節，每個章節都是一個 Jupyter Notebook (.ipynb) 檔案，包含了詳細的程式碼範例、中文註解與練習題。
本章節將帶您認識 Python 的核心基礎語法，為後續的學習打下堅實的基礎。
學習重點：
- 變數與資料型別：學習
string,int,float等基本型別。 - 基本運算與輸入：進行數學運算與接收使用者輸入。
- 流程控制：掌握
if/elif/else條件判斷與for/while迴圈。 - 函式：學習如何定義與使用自己的函式。
- 資料結構：介紹實用的
list(列表) 與dict(字典)。 - 實作專案：透過「互動心理測驗」與「學生管理系統」等小專案鞏固所學。
在學會基本語法後，本章節將帶您進入資料科學的領域，學習如何使用強大的 pandas 函式庫來處理與分析真實世界的資料。
學習重點：
- 讀取 CSV 檔案：將表格資料載入 Python 中進行處理。
- 資料清理與轉換：計算新欄位、處理缺失值、轉換資料型別。
- 條件篩選與排序：根據特定條件篩選出您感興趣的資料。
- 分組與聚合：學習
groupby等進階操作，進行統計分析。 - 資料視覺化：使用
matplotlib將數據以圖表（如長條圖、直方圖）呈現。 - 進階應用：樞紐分析、時間序列處理等。
本章節是您踏入 AI 領域的第一步。您將學到如何使用 scikit-learn 函式庫來建立並訓練幾種常見的機器學習模型。
學習重點：
- 線性迴歸 (Linear Regression)：預測連續數值，例如預測房價。
- 邏輯迴歸 (Logistic Regression)：進行二元分類，例如判斷郵件是否為垃圾郵件。
- 支援向量機 (SVM)：一種強大的分類演算法。
- 隨機森林 (Random Forest)：一種更複雜的非線性分類模型。
- 模型評估：學習如何評估模型的準確性與效能。
在學會建立基本模型後，本章節將帶您深入了解如何評估模型的內部運作機制，並解釋其決策過程。這是機器學習在實務應用中非常重要的一環。
學習重點：
- 特徵重要性 (Feature Importance)：分析並視覺化各個特徵對於模型預測的貢獻度。
- 主成分分析 (PCA)：學習一種強大的降維技巧，將複雜的高維度資料視覺化。
- 模型解釋性 (LIME)：使用 LIME (Local Interpretable Model-agnostic Explanations) 工具來解釋單一筆資料的預測結果，了解模型「為什麼」會這麼判斷。
- 進階模型評估：對模型進行更全面的效能評估。
-
安裝環境： 請確保您的電腦已安裝 Python 與 Jupyter Notebook。推薦直接安裝 Anaconda，它會包含所有您需要的工具。
-
下載教材： 將本專案的所有檔案下載到您的電腦中。
-
開啟 Notebook： 在您的終端機 (Terminal) 或命令提示字元 (Command Prompt) 中，切換到專案所在的資料夾，並執行以下指令：
jupyter notebook
這會在您的瀏覽器中開啟 Jupyter 介面，您可以在此點擊
.ipynb檔案開始學習。 -
跟隨章節學習： 建議從第一章開始，依序學習。每個 Notebook 中的程式碼區塊 (Cell) 都可以單獨執行。動手修改、實驗並完成練習題，是最好的學習方式！
祝您學習愉快！