搜尋結果
2024年4月17日 · 李教授不遺餘力於人工智慧的知識分享，早在 2017 年就將他在台大的「機器學習」的授課內容上傳到 YouTube，而他在 2024 年也將最新的「生成式 AI 導論」 1 同步上傳，透過完整的架構來講述 GenAI 這項技術。
2023年8月8日 · 內容目錄. 數據治理是什麼？ 企業為什麼要做？ 企業怎麼做數據治理？ 沒做過的企業如何開始？ 在醫療或金融等資料較敏感的產業，如何妥善管理數據，讓管理單位放心？ AI 產生的「偏見」能被管理嗎？ 從印尼最大電商 Tokopedia，有哪些數據治理經驗可以分享？ 新加坡政府推動數據治理，經驗如何？ ChatGPT 崛起後，數據治理有什麼轉變與新挑戰？ 企業做數據治理，不同角色如何分工？ 誰該對資料負責？ 結語：企業如何推動數據治理？ 關鍵字補充. 3 位在美國與新加坡、有豐富數據與 AI 領域經驗專家管其毅、Angus 與 Koo，帶大家瞭解「數據治理」是什麼？ 對企業為什麼重要？ 如何開始執行？ 不同產業有什麼挑戰？ ChatGPT 問世後「數據治理」又有什麼轉變與新挑戰？
- Power Bi 主要功能
- PowerBI 常用技巧
- Power Bi 學習資源
PowerBI 主要功能有： 1. 數據視覺化：Power BI提供了一套全面的數據視覺化工具，允許你將數據轉化為易於理解的圖表和圖形。從簡單的柱狀圖和線圖，到複雜的地理熱圖和3D數據視覺化，Power BI都可以處理。 2. 數據連接：Power BI可以連接到各種不同的數據源，包括本地數據庫、Excel工作簿，甚至是雲端數據源，如Azure SQL Database、Salesforce、Google Analytics等。 3. 數據整理： 使用 Power Query，你可以從各種數據源匯入數據，並進行清理、轉換、和重塑以滿足你的分析需求。 4. 交互式報表：Power BI的報表是完全交互式的，這意味著你可以實時地探索和分析數據。例如，你可以點擊一個視覺化元素來看到與它相關的詳細數...
當使用Power BI時，有許多實用的技巧可以幫助您更好地處理數據並創建優秀的報告。以下是五個最實用的Power BI技巧 1. 使用計算表格： 1.1. 技巧：在Power BI Desktop中，您可以使用計算表格（Calculated Tables）建立新的表格，這些表格基於現有數據表的計算而來。 1.2. 解說：計算表格允許您建立客製化表格，以包含所需的計算、篩選和分組。這非常有用，特別是當您需要在數據模型中建立具有特殊需求的表格時。 2. 使用篩選器（Filter）： 2.1. 技巧：在儀表板或報告中添加篩選器，方便用戶過濾數據。 2.2. 解說：刷選器是Power BI中的互動式控制元素，允許用戶快速篩選數據，查看不同層面的細節。這有助於用戶自己探索數據，使報告更具互動性。 3....
以下是一些免費的 Power BI 學習資源： 1. 1.1. Power BI 官方文檔 1. 1.1. Microsoft Power BI YouTube 頻道 1. 1.1. Power BI 社群 瞭解了 PowerBI 的基本概念和如何開始使用後，現在就可以開始您的數據視覺化之旅了。
其他人也問了
李昌鈺是誰?
侯嘉騏、李偉誠是誰?
李霈瑜是誰?
李秀賢是誰?
2024年2月20日 · 內容目錄. 資料前處理的三個面向. 免費點我下載數據技能路線指南. 資料清理：遺失值或錯誤資料處理. 資料型態不一致該怎麼辦？ Label Encoding. One-Hot Encoding / Dummy Variable. 資料前處理中必須要做的處理. 資料前處理的三個面向. 實務上在收集完資料之後，到真正進入模型之前還有一個重要的環節需要處理，稱為是「資料前處理（Data Preprocessing）」。 收集到的資料是從使用者的角度下去規劃，不一定是最適合數學模型存取的樣子。 在這個環節的主要工作就是將資料調整成適合模型的輸入，也有人把這個過程稱為 ETL （Extract-Transform-Load） 。
2023年7月20日 · 1. 紮實有系統的線上課程. 在 JavaScript 前端課程 我收穫最多的是 JavaScript 的技能知識，包含事件處理，DOM API，API 串接，撰寫程式碼的重要觀念，包括注意易讀性，維護性，擴充性，另外是前端框架 Bootstrap。 在 ALPHA Camp，你會有每週需要完成的進度，他們把重要觀念切割成許多小細塊，透過一個單元一個概念大量練習的方式，讓我在吸收觀念後，馬上做實作，如此反覆練習，直到真正理解與熟悉。
2023年7月24日 · 四步驟解析實際案例. 資料科學家與資料工程師中間的 GAP. 在擅長模型資料科學家與擅長程式資料工程師之間，會有一小段的重疊的範圍。 通常的合作方式會由資料科學家訓練出一個好的模型，再由資料工程師呼叫使用。 不過偶爾會有部署所導致的效能或是或是需要再調整的工作。 當模型遇到問題的時候，會有兩端都難以解決的狀況出現。 https://www.oreilly.com/radar/data-engineers-vs-data-scientists/ 因此，我們會把兼顧模型理論和程式實作的人抽出來定位成「ML 機器學習工程師」，他們通常熟悉用程式操作模型的部分。 Data Engineer 工作內容是什麼？ 從面試重點了解資料工程師. 模型「部署/上線」的工作誰來做？
2024年3月29日 · 內容目錄. 數據思維：解決問題的五個步驟. 定義問題：問題解決的起點. 定義問題的目標和方法. 2. 定義問題的方法. 3. 定義問題的案例. 獲得可用數據的下一步：提出假設. 1. 提出假設的目標. 2. 提出假設的方法. 3. 提出假設的案例. 解決問題與數據分析職能地圖應用. 商業應用：問題解決的商業場景. Business model & logic. Use case. Domain & function. 理論與素養：問題解決的理論基礎. Stats & math. Data analysis & Data literacy. 技術與工具：問題解決的技術支持. Data source & architecture. Programming language & BI Tools.
