---

1️⃣ Machine Learning（機器學習）

核心內容：

• Supervised Learning（監督式學習）
  • Classification（分類）
  • Regression（迴歸）
• Unsupervised Learning（非監督式學習）
  • Clustering（分群）
• Dimensionality Reduction（降維）
• Model Explainability（模型可解釋性）

常見技術 / 工具：

• XGBoost
• SVM
• Random Forest
• GLM
• K-Means
• UMAP
• LIME（Local Interpretable Model Explanation）

---

2️⃣ Data Visualization（資料視覺化）

目標：將數據變成可理解的圖表

• Static Visualization（靜態圖）
• Interactive Visualization（互動圖）

常用工具：

• ggplot2
• plotly

---

3️⃣ Data Wrangling & Cleaning（資料整理與清理）

資料科學最花時間的部分之一。

必備操作：

• Outliers（離群值處理）
• Missing Data（缺失值補齊）
• Reshaping（資料轉換）
• Aggregation（彙總）
• Filtering / Selecting（篩選）

常用套件：

• dplyr
• tidyr

---

4️⃣ Data Preprocessing & Feature Engineering

（資料前處理與特徵工程）

內容：

• Preparing data for ML（模型前處理）
• Feature Engineering（特徵建構）
  • 日期特徵
  • 文字特徵
  • 聚合特徵

工具：

• recipes package

---

5️⃣ Time Series Analysis（時間序列分析）

適用於金融、IoT、銷售、氣象等資料。

技能重點：

• Date/Datetime handling
• Time aggregation
• Time transformation
• Time series visualization

套件：

• timetk

---

6️⃣ Forecasting（預測建模）

時間序列的進階應用。

常見模型：

• ARIMA
• Exponential Smoothing
• Prophet

ML Forecasting：

• XGBoost
• Random Forest
• GLMnet

Deep Learning：

• GluonTS

進階能力：

• Ensemble Models（集成）
• Hyperparameter tuning（參數調整）
• Scaling to thousands of forecasts（大規模預測）

套件：

• modeltime

---

7️⃣ Text（文字資料處理）

核心能力：

• Text preprocessing
• Tokenization
• String manipulation

工具：

• stringr

---

8️⃣ NLP（自然語言處理）

建立在文字資料之上。

技能：

• Text Features extraction（文字特徵）
• Machine learning for language tasks

應用：情感分析、聊天機器人、文件分類

---

9️⃣ Functional Programming（函數式程式設計）

提升程式可重用性與整潔度。

• Writing reusable functions
• Sourcing code modules

---

🔟 Iteration（迭代與映射）

避免大量 for-loop，提升資料流程效率。

• Loops
• Mapping

工具：

• purrr package

---

1️⃣1️⃣ Reporting（報告與輸出）

資料分析的成果呈現能力。

格式：

• RMarkdown
• Interactive HTML Reports
• Static PDF Reports

---

1️⃣2️⃣ Applications（資料應用系統開發）

資料科學不只是模型，還要能做成產品。

技能：

• Shiny Web Apps
• Dashboards
• Bootstrap UI

---

1️⃣3️⃣ Deployment（部署與上線）

模型要能在真實環境運作。

核心工具：

• Cloud Platforms：AWS / Azure / GCP
• Docker
• Git

---

1️⃣4️⃣ Databases（資料庫）

資料來源與儲存的基本功。

• SQL（資料查詢與匯入）
• MongoDB（非結構化資料，App 常用）

---

✅ 總結：資料科學技能全景圖

階段	技能模組
資料準備	Cleaning、Wrangling、Preprocessing
建模分析	Machine Learning、Forecasting、NLP
視覺呈現	Visualization、Reporting
系統應用	Applications、Deployment
基礎支撐	Databases、Functional Programming

---

「資料科學實務導向課程」：

• 前 6 週：資料整理 + 視覺化
• 中段：機器學習 + 時間序列
• 後段：部署 + 應用系統（Shiny/Dashboard）

學生成就感：不只是跑模型，而是做出完整作品！