資料科學：Orange3 入門

假設...

今天系學會召開大會，即將審查年度預算及去年財務報表。負責的祕書處學弟帶著一只隨身碟上台，打開了數份 Excel 檔案，滔滔不絕的講起了去年度的預算分配、花費狀況及使用分析。身為資料科學大師的你半瞇著眼睛快睡著。突然，你發現，今年度的預算報告裡面有一些欄位是空白的、有一些欄位數字怪怪的；而有一些通過函數生成的資料，所採計的計算方式，似乎跟去年的算法不太一樣！

「學弟，你能跟我說說，你這些資料是怎麼處理的嗎？」

開課緣由

說到資料科學，大部分的人腦海中出現的都是超級計算機、錯綜複雜的報表、密密麻麻的程式碼等。其實，資料科學是一個相當廣闊的領域，例如資料工程（清理與操作、資料倉儲、資料倉儲）、統計、視覺化以及如何解釋結果等需要專業領域知識來協助的大學科。

那麼，要怎麼入門呢？網路上放 Google 一搜，結果百百種 ... 開始學習 R？可是 Python 好像比較熱門？我需要學習 Apache Spark 嗎？資料倉儲，那我需要學會怎麼架設、管理 SQL 資料庫嗎？深度學習好像很熱門，這也是我需要學習的嗎？

這堂課的主要動機，在於引入一個新形態的工具：Orange3。Orange3 是一個以流程圖做為介面，將資料處理過程展示出來的工具（又稱為：視覺化程式設計）。只要了解元件功能，就能夠輕鬆的把所有資料操作過程儲存下來，利於之後重複使用、或者與人討論資料處理的過程是否有瑕疵或改進空間、而且也不會更動到原始資料。

課程介紹

按照正規資料科學處理流程：獲取、清理與前置處理、建模、應用與視覺化四步，通過實際操作的講解，來讓大家對資料科學具體步驟有初步的了解。

• 清理：要以離群值、空值的清除為主。

• 視覺化：分布圖（distribution）、熱點圖（heatmap）、散佈圖（scatter plot）

• 建模：以迴歸（regression）、分類樹（classification tree）兩個基礎而常用的。

學完這堂課，可能離真正的資料科學還有一段距離；本課的主要目的還是以了解整體流程、引入適當工作流為主，讓大家可以更具體的分享流程。更深入的元件講解、資料庫使用等請待中階課程！

關於講者

塵世中一個迷途醫學生，自稱 medical hacker。

大二時參加了台中自由軟體愛好者聚會，接觸到了廣闊而複雜的大軟體界，開始玩起 Linux 及 Python，揮舞一把名為 Emacs 的小刀闖天涯。大三大四時著迷於醫學工程中的影像處理，學習了 Matlab 及許多訊號、圖像處理的數學理論。大五後接觸到了健保資料庫，遂一頭踏入了這個充斥的無盡骯髒資料的大寶庫，試圖從中挖掘一些有用的訊息來了解藥物、手術與疾病之間的關聯性。