資料清理的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列免費下載的地點或者是各式教學

Python 資料科學實戰教本：爬蟲、清理、資料庫、視覺化、探索式分析、機器學習建模，數據工程一次搞定!

為了解決資料清理的問題，作者陳會安 這樣論述：

　　【題材涵蓋最全面！一本書掌握資料科學 / 數據工程必學 know-how！】   　　從大數據到人工智慧世代，其背後蘊含的關鍵技術與理論不脫資料科學、機器學習的範疇。基本上，資料科學需要的背景知識與技能相當的多，通常要會 Python 程式設計基礎、熟悉相關 Python 套件和模組的使用；再加上機器學習的基礎就是機率和統計，因此也免不了得學機率和統計知識，可說有一拖拉庫的主題等著你去學，也難怪市面上各主題 (程式基礎、統計、套件、機器學習建模...) 的專書滿坑滿谷，一時間實在讓人難以消化...   　　為了降低讀者初學資料科學面對的負擔以及混亂感，我們精心設計了這本入門實戰教本，秉

持讓讀者「買一本抵多本」的精神，本書一次涵蓋所有入門必須熟悉的重要題材，同時也將初學資料科學的脈絡梳理清楚。   　　在章節的安排上，本書從資料取得的網路爬蟲開始，提供一個標準 SOP 來幫助讀者從網路取得資料；接著說明資料科學必學的 Python 重量級套件，再接著介紹機率、統計和探索式資料分析的基礎知識，最後進入最熱門的機器學習、深度學習建模主題。   　　這一連串「取得資料 → 探索資料 → 預測分析」是一套完整的資料科學 / 數據工程實戰訓練，跟著本書掌握這些重要 know-how 後，就不難看懂網路上眾多資料科學、機器學習專案的 Python 程式碼和線上教材，甚至參與資料科學、機器

學習的網路競賽；希望本書能協助讀者開啟資料科學家 / 數據工程師的成功之路！   本書特色   　　□ 資料科學三部曲：取得資料 → 探索資料 → 預測分析 　　□ 一次補足最入門的統計和機率基礎 　　□ Python 開發環境與基礎語法快速上手 　　□ 從網頁爬蟲、資料清理到資料視覺化，快速完成資料探索的預處理程序 　　□ 將清理後的資料存入 SQL 資料庫，便於日後存取利用 　　□ 實踐資料科學的四大套件：NumPy、Pandas、Matplotlib、Seaborn 一次掌握 　　□ 用 Scikit-learn、tensorflow.Keras 套件實作最熱門的 AI 機器學習應用

資料清理進入發燒排行的影片

模糊理論應用於大客車駕駛之疲勞警示指標整合分析

為了解決資料清理的問題，作者劉柏孜 這樣論述：

近年大客車事故頻傳，因其載客量多之原因，發生事故時易造成嚴重傷亡，以及需長時間駕駛之緣故，使疲勞駕駛為造成車輛意外事故的重要原因，而目前針對疲勞駕駛相關的研究多數只使用生理反應作為疲勞駕駛判斷之標準，並使用單一指標 進行判斷，且較少研究使用駕駛行為及車輛行駛軌跡之多重指標結合進行分析除此之外，疲勞駕駛也較難以單一值進行判斷，因此本研究 透過 駕駛人側面影像和 OpenPose，取得駕駛人之關節點數據 並透過基本統計分析及平均數差異檢定，觀察疲勞駕駛於肢體特徵的變化，分析適合判斷疲勞駕駛之指標透過模糊理論之應用建立各指標之隸屬度，並整合所有指標形成以肢體特徵判斷疲勞駕駛之警示規則，最終透過AD

AS數據與決策樹進行未來可應用之探討提供業者建立疲勞駕駛警示時機之參考。

實戰Excel行銷分析|不寫程式也能分析大數據

為了解決資料清理的問題，作者陳俊凱,鍾皓軒,羅凱揚 這樣論述：

　　本書透過行銷實例，對數據分析的概念、分析規劃、分析工具、與視覺呈現，進行深入的介紹。內容涵蓋資料清理、如何選擇合適的圖表呈現、透過個案分析找出值得行銷的產品、如何從消費資料中找到好顧客等。 　　藉由本書，您將可以學到： 　　．如何進行分析前的資料清理 　　．80/20法則在商業領域的應用 　　．如何藉由數據分析找出潛力產品 　　．如何進行顧客分群 　　．如何分析不同客群的購買行為與樣貌描繪 　　．如何針對不同的客群進行精準行銷 　　．如何針對目標客群找出最佳的行銷活動 專家推薦 　　「本書透過行銷實例，對數據分析的概念、分析規劃、分析工具、與視覺呈現，進行深入的介

紹。對於想藉此入門數據分析的人是很好的選擇。本書突顯出不需接觸高門檻的程式語言，也能達到數據分析的效果。對於想學習數據分析的人，是相當有幫助的一本書籍，我誠摯地推薦給大家。」林孟彥, 　　台灣科技大學企業管理系教授

自動偵測機器所產生之文章

為了解決資料清理的問題，作者陳玉芳 這樣論述：

近年來網路上出現了許多所謂的文章產生器軟體，讓使用者只要輸入主題或某些關鍵字，就可以自動產生一篇文章。這些文章產生器所生成的機器文章乍看之下就像人類所寫的真文章，甚至許多內容看似有憑有據且引經據典，但若仔細閱讀這些機器生成的假文章則很容易發現其內容缺乏邏輯性且無中心思想，甚至發生前後不連貫的情形。這往往浪費讀者的時間，尤其是學生可能以機器產生之文章蒙混繳交，投機取巧。有鑒於此，本論文嘗試以人工智慧的機器學習可否自動偵測這類的假文章，使用多種機器學習的方法來辨識機器所生成的假文章與學生所寫作的真文章兩者。實驗結果顯示，BayesNet分類正確率為100%；而NaiveBayes、Logisti

c、SMO、SGD、RandomForest、SimpleLogistic、LMT、IBk (K值為11和9) 則都有達到95%以上的分類正確率。再觀察機器學習相關的效能評估指標，前述所有分類模型的Kappa statistic和MCC除了BayesNet兩者值皆為1, 其餘分類模型的Kappa statistic和MCC皆有0.90以上；同時可見F-Measure也都高於0.95以上 (BayesNet F-Measure 值亦為1)，這些數據皆反映出前述的演算法分類模型都有極佳的真假文章辨識效能的表現。另外，又透過測試集的驗證實驗，NaiveBayes、Logistic、SMO、SGD、R

andomForest、SimpleLogistic、LMT、IBk (K值為11和9)以及LogitBoost這些演算法分類模型的測試集驗證實驗結果顯示出分類模型在測試集的真假文章的分類準確率至少皆有95%或以上的分類成功辨識率，其中又以NaiveBayes、Logistic、SMO、SGD這四種演算法分類模型在測試集的驗證實驗是達到百分百的正確分類辨識率。綜合以上各種實驗數據的分析結果，我們可以得知人工智慧機器學習是有極佳的辨識能力可以成功偵測並分類機器文章產生器所生成之機器文章。