本課程旨在帶領學生深入了解資料科學的核心技術，重點聚焦於「探索性資料分析（EDA）」與「資料視覺化」兩大領域。透過系統性教學，學生將學習如何運用統計學與資訊科學方法，從原始資料中挖掘有價值的洞察。 課程以經典的鐵達尼號資料集為主要案例，分析乘客的「生存狀況」、「艙等級別」及「性別」等特徵間的關聯性。在假設資料已完成清理與轉換的前提下，專注於探索性分析的實務技巧。 學生將熟練掌握 Pandas 套件及其視覺化功能，特別是 plot() 函式的應用。課程涵蓋折線圖、長條圖、圓餅圖、直方圖和散佈圖等常用圖表繪製，協助觀察資料特性、識別趨勢與關聯模式。 此外，課程將介紹進階資料處理技巧，運用 groupby() 和 value_counts() 函式進行資料分組與統計摘要，協助學生建立假設、驗證結果，為後續機器學習分析奠定基礎。透過本課程學習，學生將具備紮實的資料探索與視覺化能力。 ※ 本課為實體課程，欲修讀同學請洽國立嘉義大學。

修習本課程後，學生將具備以下核心能力： 理論基礎與流程掌握：深入理解資料科學的核心概念及其在第四科學典範中的重要地位，熟悉資料從原始數據轉化為資訊、知識與智慧的完整過程。學生將掌握資料分析的標準流程，包括資料取得、前處理、探索性分析及機器學習等量化分析步驟。 技術操作與視覺化能力：熟練運用 Pandas 套件讀取與匯出各種格式的資料檔案（CSV、JSON、HTML、Excel等）。具備資料視覺化技能，能運用 plot() 函式繪製折線圖、長條圖、圓餅圖、直方圖和散佈圖，並掌握線條樣式、顏色配置、字體大小、圖形尺寸等客製化參數設定。 分析與洞察技能：能運用統計摘要函式執行探索性資料分析，透過視覺化工具探索資料特性與結構。熟練分組聚合分析，識別與目標結果高度相關的重要特徵。 實務應用能力：能分析真實案例（如鐵達尼號資料集），提出假設、驗證觀察結果，並做出數據驅動的結論，為後續機器學習模型建立奠定基礎。

課程大綱 第一週：資料科學基礎與視覺化技術 首週課程建立資料科學的理論基礎，介紹資料科學在科學典範中的地位，以及資料、資訊、知識與智慧的層次關係。學生將學習量化分析的完整流程，包括資料取得、前處理、探索性資料分析與機器學習等步驟。 課程深入探討探索性資料分析（EDA）的核心概念，強調透過資料視覺化探索資料特性、獲取結構資訊並提出假設的重要性。學生將認識五種常用圖表：折線圖（變化趨勢）、長條圖（數量比較）、直方圖（分佈分析）、散佈圖（相關性探索）及圓餅圖（比例展示）。 實作部分涵蓋 Google Colab 環境設定、CSV 檔案處理，以及 Pandas 套件的基礎操作。學生將學習使用 read_csv()、to_csv()、read_json() 等函式進行資料讀取與匯出，並熟練運用 plot() 函式繪製各類圖表，掌握線條樣式、顏色配置、標題設定等客製化參數。 第二週：鐵達尼號案例分析實務 第二週以鐵達尼號資料集為案例，進行完整的探索性資料分析。學生將學習使用 head()、info()、describe() 等函式初步觀察資料，並運用 value_counts() 分析資料分佈特性。 課程重點探討「性別」與「艙等」兩項特徵對生還狀況的影響。透過 groupby() 函式進行資料分組，結合長條圖視覺化比較不同群體的生還率差異，並計算各群體的生還百分比。 最終整合分析結果，總結影響生還的重要特徵，為機器學習模型建立奠定基礎。進階練習包括年齡因素分析及多變數相關性探索。