搜尋結果
2023年4月13日 · 資料分析 5 步驟. 立即領取. 免費點我下載數據技能路線指南. 資料清洗 data cleaning 的方法. 資料清理主要包括以下幾個方面的方法： 缺失值處理：對於缺失的數據，可以選擇填充、插值、刪除或保持不變，具體方法取決於資料的特性和缺失原因。 填充：將缺失值替換為某個常數值，如 0、平均值、中位數等。 插值：根據已有的資料對缺失值進行估算，如使用時間序列資料中的前後值進行線性插值。 刪除：若缺失值占比較低，且不影響分析結果，可以直接刪除缺失值所在的樣本。 重複值處理：對於重複的數據，可以選擇保留一個並刪除其他重複值，或者根據某些規則合併重複的資料。 異常值檢測：通過統計方法或機器學習算法識別異常值，並對其進行修改或刪除。 常用方法有：
- 數據思維：解決問題的五個步驟
- 解決問題與數據分析職能地圖應用
- 結語
數據思維不僅僅是數據分析，它是一個全面的問題解決流程。這個流程包括： 1. 定義問題：明確問題並將其量化。 2. 探索數據：找到相關數據。 3. 分析數據：運用數據進行深度分析。 4. 驗證假設：基於數據驗證你的預測。 5. 溝通決策：基於分析結果做出決策。 建立數據思維，4 週養成數據洞察力與實戰問題解決力 這個流程是循環的，意味著一次的分析和解決可能會帶來新的問題和假設。
在問題解決和數據分析的領域中，AC 數據分析職能地圖提供了一個全面的框架，涵蓋了商業應用、理論與素養、技術與工具，以及影響力等四個核心象限。本文將探討如何將這個職能地圖與問題解決的能力結合。 在問題解決和數據分析的領域中，AC 數據分析職能地圖提供了一個全面的框架，涵蓋了商業應用、理論與素養、技術與工具，以及影響力等四個核心象限。本文將探討如何將這個職能地圖與問題解決的能力結合。
問題解決和數據分析是密不可分的，AC 數據分析職能地圖為我們提供了一個全面而實用的框架。通過運用這個框架，我們不僅能更精確地定義和解決問題，還能在組織內部和外部產生更大的影響。 資料量多大算大數據？大數據為什麼重要？認識大數據的應用與工具
2024年2月20日 · 我自己會把「資料清理」跟「型態調整」稱為是整個分析過程中一定要操作的部分，因為若沒有經由正確的處理方法會造成模型無法存取的狀況。. 另外根據 CrowdFlower Survey Results. 調查的結果，在資料分析的階段 60% 的時間其實是在進行資料清理的。. CrowdFlower ...
2024年4月17日 · 我們先前在〈解除你的 AI 資訊焦慮，我們精選的電子報訂閱攻略〉推薦過值得訂閱的 AI 主題電子報，也在〈關於生成式 AI，產品經理需要知道的 20 個關鍵字〉解釋過生成式人工智慧（Generative AI，以下簡稱 GenAI）的相關名詞，對於希望進一步認識 GenAI 各項新知或原理，且習慣以收看影片來吸收資訊 ...
2024年1月29日 · 能針對目標持續學習，才能持續往目標前進，也才是正確的心態和方法。如何持續學？拆解目標、階段完成、要開心 有 2 個建議：找到目標、拆解目標、分成階段去完成；開心學、不要有壓力。例如，選擇短小、容易完成的課程學習。
2024年2月20日 · 資料科學家發現與解決問題的四步驟： 溝通需求與目標. 拆解問題，不斷假設驗證. 建立模型. 模型迭代與優化. 以下分別說明各步驟內容。 步驟一：溝通需求與目標. 當別人提出需求時，很重要的一點是「先問他到底為什麼要做？ 溝通很重要，如果不了解背後動機，時間花了做出來對方不滿意，那就是兩敗俱傷。 所以要先溝通需求，釐清原本的問題是什麼。 如果公司要做 Chatbot，有兩個可能性： 客服團隊成本太高，那麼 Chatbot 要解決的問題是降低成本. 客服團隊的客服品質不好，那麼 Chatbot 要解決的問題是能提升品質. 釐清需求後，要再了解對方的團隊是否有以前的資料可以用，如果沒有，就要從蒐集資料開始。 步驟二：拆解問題，不斷假設驗證. 確定有資料後，接下來開始分析，根據目標提出假設。
2024年2月26日 · 微軟的研究結果發現，RAG 和微調模型確實都能讓 LLMs 的回答變得更為精準：與 GPT-4 的基本模型相比，RAG 的精準度增加的 5%、微調的精準度增加 6%，而微調模型搭配 RAG 的精準度則增加 11%。. 由此可見，RAG 可以用較低的訓練成本達到與微調模型差不多的表現，且 ...
