課程單元搶先看： Python 開發環境介紹（Colab）
✨ 近年來，資料分析與人工智慧快速發展，機率與統計逐漸成為各領域的重要基礎能力。無論是資料科學、人工智慧、科學研究，甚至商業決策與產品優化，都離不開機率與統計的分析與推論。
然而，在過去教學的過程中，我發現許多學生其實都曾學過機率與統計，甚至修過相關課程，但當真正面對資料時，卻不確定該 ✨ 如何將統計方法真正應用在實際問題中 ✨，例如：
▶ 如何分析電商平台的資料，回答商業問題？
▶ 行銷活動改版後，轉換率上升是否是隨機波動？
▶ 大量 Raw Data 中，如何萃取有意義的特徵？
▶ 面對不同資料型態，如何選擇合適的統計方法？
因此，這門課程希望幫助學習者從理論連結實務，建立完整的統計思維與 Python 資料分析能力。
▶ Salima 老師簡介:
https://train.csie.ntu.edu.tw/train/teacher.php?id=178
第一階段：Python 與資料分析基礎
建立資料分析所需的 Python 基礎與統計思維，理解資料分析的完整流程與核心概念。
🎯 學習目標
- 資料分析流程與統計思維建立
- Python 資料分析環境建立與基本語法
- NumPy 與 pandas 基礎資料操作
第二階段：機率與隨機變數基礎
學習機率理論與隨機變數，建立統計推論的重要基礎。
🎯 學習目標
- 隨機變數與常見機率分布
- 期望值、變異數與標準差
- 中央極限定理與抽樣分布
第三階段：統計推論與假設檢定
學習從樣本推論母體，建立資料分析與決策能力。
🎯 學習目標
- 點估計與區間估計 (信賴區間)
- 不偏估計量
- 假設檢定與 p-value
第四階段：迴歸分析
學習建立統計模型，分析變數關係並進行預測。
🎯 學習目標
- 線性迴歸與符號迴歸
- 多變量迴歸分析
- 模型評估與解釋
第五階段：真實資料分析專案實戰
透過完整專案，整合 Python 與統計方法，實際解決資料問題。
🎯 學習目標
- 電商資料預測分析
- 行銷 A/B Testing 分析
- 從大量 Raw Data 中萃取有效特徵
- 避免常見圖表誤解與分析陷阱
- 多來源資料整合與資料清理
✨ 課程採用手寫教學 ＆ Python 實作教學，幫助學習者扎實掌握核心觀念與實際應用能力。
課程討論社群
課程設有專屬討論社群，學員可在此交流學習心得，後續將於學員限定課程公告中說明加入方式。
作業繳交
老師會設計練習作業，讓學員透過實作加深統計觀念與資料分析實戰能力，並預計每週批改一次，提供學員回饋與學習建議。
討論區問題回覆頻率
老師會盡量回覆大家的問題，預計一週回覆一次。
感謝學員 x 未來預計釋出單元
🔥Polars 新世代高速資料處理🔥
- 認識 Polars：下一代高速資料分析工具
- Polars DataFrame：快速完成資料處理
- Pandas vs. Polars：常用語法與效能比較
- Lazy API 與 Expression：發揮 Polars 的高效能優勢
- 大型資料分析實戰：高效能資料處理與效能比較
- AI 輔助開發：快速撰寫與轉換 Polars 程式
🔥機器學習實戰：模型驗證 × 電商銷量預測分析🔥
- Training、Validation、Test：避免 Overfitting，建立泛化能力
- K-Fold Cross Validation：提升模型評估的可靠性
- Feature Scaling × 機器學習模型實戰
- 加入 Validation 的符號迴歸：數學模型尋找
- 符號迴歸：自訂函數、特徵與常數
- 新一代符號迴歸：高效能數學模型搜尋
🔥如何選擇有母數或無母數檢定？🔥
- 常態分布檢定：如何判斷資料是否符合常態？
- 等變異性檢定：什麼時候需要檢查變異數？
- 有母數 vs. 無母數：如何選擇適合的統計檢定？
- Python 實戰：統計檢定實作
