第 1 章 Python 基礎：變數、 資料型別與 if 判斷式



第 2 章 Python 基礎：list、dict 與迴圈



第 3 章 函式、 類別與模組



第 4 章 進階函式及特殊容器



第 5 章 NumPy 高速運算套件

5-1 NumPy 的基本介紹

5-2 陣列的基本操作

5-2-1 建立陣列

5-2-2 陣列的切片操作

5-2-3 使用布林陣列篩選值

5-2-4 陣列的四則計算

5-2-5 體驗好用的 NumPy 函式

5-3 NumPy 多軸陣列

5-3-1 陣列的軸 (axis)

5-3-2 陣列的 shape

5-3-3 多軸陣列的切片做法

5-3-4 陣列轉置 (transpose)

5-3-5 陣列排序

5-3-6 陣列擴張 (Broadcasting)

5-3-7 用 NumPy 函式計算矩陣乘積



第 6 章 pandas 的基礎

6-1 pandas 簡介

6-2 Series 物件的操作處理

6-2-1 建立 Series 物件

6-2-2 取出 Series 當中的元素

6-2-3 單取出「索引值」或者「內容值」-.index、.values

6-2-4 新增 Series 物件的元素–append()

6-2-5 刪除 Series 物件的元素–drop()

6-2-6 從 Series 物件篩選出想要的元素

6-2-7 將 Series 的元素排序–sort_index()、 sort_values()

6-3 DataFrame 物件的操作處理

6-3-1 建立 DataFrame 物件–pd.DataFrame()

6-3-2 修改 index 和 column 的名稱–.index、.column

6-3-4 加入新的資料列–append()

6-3-4 加入新的欄位

6-3-5 取出 DataFrame 當中的元素–df.loc[]、df.iloc[]

6-3-6 刪除 df 物件的列或行–drop()

6-3-7 將欄位值依大小排序–sort_values()

6-3-8 從 df 物件篩選出想要的資料



第 7 章 DataFrame 的串接與合併

7-1 概念說明

7-2 用 concat() 串接多個 DataFrame

7-3 用 merge() 合併多個 DataFrame



第 8 章 DataFrame 的進階應用

8-1 載入外部檔案並做資料整理

8-2 處理 DataFrame 中的缺失值

8-2-1 用 dropna() 刪除含有 NaN (缺失值) 的列

8-2-2 用 fllna() 填補 NaN 值

8-3 分析數據常用到的技巧 (一)

8-3-1 duplicated()、drop_duplicated() - 尋找或刪除 DataFrame 內重複的資料

8-3-2 map()–利用 DataFrame 的既有欄位生成新的欄位

8-3-3 用 cut() 劃分、篩選資料

8-4 分析數據常用到的技巧 (二)

8-4-1 取頭尾列–head()、tail()

8-4-2 對 DataFrame 的值做運算

8-4-3 快速取得 DataFrame 各種統計數據

8-4-4 計算行 (列) 之間的差

8-4-5 用 groupy() 做分組統計



第 9 章 Matplotlib 資料視覺化套件的基礎

9-1 常見的圖表類型

9-2 單一筆資料的視覺化

9-2-1 繪製折線圖

9-2-2 指定圖表的座標軸範圍–xlim()、 ylim()

9-2-3 設定圖表標題與兩軸名稱–title()、xlabel()、ylabel()

9-2-4 在圖表上顯示網格–grid()

9-2-5 自訂座標軸的刻度及標籤 – xticks()、 yticks()

9-3 多筆資料的視覺化

9-3-1 在同一張圖表繪製多筆資料並指定不同顏色

9-3-2 設定圖例–legend()

9-4 繪製內含多張子圖的圖表

9-4-1 設定整張圖表的尺寸–fgure()

9-4-2 在畫布切出子圖區, 並繪製內容–add_subplot()

9-4-3 調整子圖間距–subplots_adjust()

9-4-4 設定子圖的座標範圍–set_xlim() / 座標說明文字–set_xlabel() / 子圖標題 - set_title()

9-4-5 設定子圖是否顯示網格– grid() / 設定子圖的兩軸刻度 set_xticks()、set_xticklabels()



第 10 章 用 Matplotlib 繪製各類圖表

10-1 再探折線圖 (plot chart)

10-2 繪製長條圖 (bar chart)

10-3 繪製直方圖 (histogram chart)

10-4 繪製散佈圖 (scatter chart)

10-5 繪製圓餅圖 (pie chart)

10-6 繪製 3D 圖表



第 11 章 用 OpenCV 處理影像資料

11-1 認識影像資料

11-2 OpenCV 的基礎

11-3 OpenCV 的進階處理功能

11-3-1 圖片的二值化 (binarization) 處理

11-3-2 套用遮罩

11-3-3 模糊效果

11-3-4 去除圖片的雜訊



第 12 章用 scikit-learn 進行監督式機器學習

12-1 監督式學習 / 分類

12-2 資料集的準備

12-3 用常見的監督式學習分類器來做預測

12-3-1 k 鄰近演算法 (KNN)

12-3-2 邏輯斯迴歸 (logistic regression)

12-3-3 線性支援向量機 (Linear SVM)

12-3-4 非線性 SVM

12-3-5 決策樹 (decision tree)?

12-3-6 隨機森林 (random forest)

12-4 k-fold 交叉驗證及模型的預測性能



第 13 章 監督式學習模型的超參數調整

13-1 KNN 的超參數

13-2 邏輯斯迴歸與線性 SVM 的超參數

13-3 非線性 SVM

13-4 決策樹與隨機森林的超參數



第 14 章 用 tf.Keras 套件實作深度學習

14-1 深度學習簡介

14-2 用神經網路辨識手寫數字圖片



第 15 章 優化神經網路模型

15-1 認識超參數 (Hyperparameter)

15-2 隱藏層的數量、 隱藏層設計多少神經元

15-3 丟棄法 (Dropout)

15-4 損失函數 (Loss function) 與優化器 (Optimizer)

15-5 小批次 (mini-batch) 訓練

15-6 訓練週期 (epoch)



第 16 章 利用卷積神經網路 (CNN) 做影像辨識

16-1 認識 CNN

16-2 卷積層 (Convolution Layer)

16-3 池化層 (Pooling Layer)

16-4 用 tf.Keras 建構 CNN 模型

16-5 實例：使用 CNN 辨識熉g數字圖片

16-6 實例：使用 CNN 辨識. cifar 10 圖片資料集



第 17 章 優化 CNN 模型

17-1 資料的正規化 (Normalization)

17-2 遷移學習 (Transfer Learning)