數據領航員

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。

目錄

PCA (Principal Component Analysis) 主成分分析，雖然已經發明超過百年的時間，但是如今在 AI 和統計學領域仍被廣泛的用來降低數據的維度（特徵），是一種非監督式線性降維方法。

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~

什麼是 EDA？ Exploratory Data Analysis，探索式資料分析，簡稱 EDA，是在資料前處理中很重要的一環。簡單來說 EDA 就是透過視覺化或統計表格幫助我們認識資料，以利後續整理或更近一步的分析應用，透過 EDA…

前言  —  本篇文章將介紹在特徵處理中針對單一特徵的規一化 & 標準化、偏態的介紹與以及如何在 python 中使用這些方法，它們是機器學習中必不可少的一個重點，千萬不要錯過哦~

文／鄭雅綿、吳啓榮 共同編寫；主編／鄭雅綿

目錄

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！

前言

在接下來一系列的文章中，我們將巨觀的角度，一步一腳印帶領大家進入數據分析的世界。當中將會循序地從巨觀的角度帶入，其中包括數據分析的流程、類型，進一步根據數據類型、需求所使用的分析工具，延續討論降維 — 將問題簡單化，同時保有清晰的數據，最後將數據視覺化。

目錄