一、Orange 介面導覽與視覺化探索 1. 視覺化程式設計工具Orange 安裝與 Canvas 畫布操作邏輯 2. 資料匯入與基礎統計描述 (File, Data Table, Feature Statistics) 3. 數據分佈理解與互動式視覺化:分佈圖 (Distributions)、散佈圖 (Scatter Plot)、盒鬚圖(Box Plot) 4. 資料篩選與特徵選取 (Select Rows/Columns) 二、資料前處理與分類迴歸模型 1. 資料品質檢測與遺失值處理 (Impute) 2. 資料轉換與特徵離散化 (Continuize, Discretize) 3. 相關性分析與特徵排序 (Correlation, Rank) 4. 機器學習基礎概念:監督式 vs. 非監督式 vs. 強化式 5. 決策樹 (Tree) 與視覺化解釋(Tree Viewer) 三、監督式模型績效評估 1. 邏輯斯迴歸 (Logistic Regression) 與支援向量機 (SVM) 2. 模型訓練與驗證流程 (Test & Score) 3. 殘差、混淆矩陣 (Confusion Matrix) 與績效指標解讀 4. 模型績效視覺化:ROC 曲線與 AUC 指標分析 四、集群分析、影像辨識與文本探勘 1. K-Means 集群演算法實作與參數調整 2. 階層式分群 (Hierarchical Clustering) 與樹狀圖解讀 3. 圖像嵌入 (Image Embedding) 與相似度分群 4. 文字雲 (Word Cloud) 與情感分析 (Sentiment Analysis) 5. 中英文本數據案例實作 |