資料科學應用的問題，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

一步到位！Python 程式設計-最強入門教科書 第三版

為了解決資料科學應用的問題，作者陳惠貞 這樣論述：

　　身處在資料無所不在的世代，大量程式應用、科學運算的需求應運而生，Python 就是目前處理大數據的最強工具。 　　從基礎語法到資料科學應用，培養大數據分析的關鍵能力 　　大家都想學 Python，不過很多人完全沒有程式基礎，或者曾經半途而廢。本書以淺顯易懂的筆觸與大量的實例演練，引導你在動手寫程式的過程中學會Python的語法和程式邏輯，跨越初學者經常遇到的障礙，進入資料科學、機器學習與大數據分析的領域，你會發現原來自己也能成為程式高手！ 　　★ 清楚明瞭的語法教學，第一次寫程式就上手！ 　　★ 豐富滿點的實作範例，自己動手反覆練習最有感！ 　　★ 無縫接軌四大套

件 NumPy、matplotlib、SciPy、pandas，資料處理、分析、運算，快人一等！ 　　★ 紮穩資料科學基礎，銜接機器學習最強套件－scikit-learn 本書特色 　　初學Python的最佳教材，第一次寫程式就上手！ 　　★最易學習★ 　　沒學過程式設計或學到一半就放棄的都沒關係，本書從基礎的語法和程式邏輯開始，以淺顯文字及簡明程式，帶你快速學會Python在不同領域的應用。 　　★豐富範例★ 　　本書提供豐富實用的範例，搭配各小節的隨堂練習和章末的學習評量，立即驗證學習成果，自學或課堂教學都適合。 　　★最強應用★ 　　本書內容包含下列幾個資料科學與機器學習最強套

件，有了這些基礎，日後你就可以進一步往資料科學、大數據分析、人工智慧等專業的領域發展： 　　◇NumPy → 資料運算 　　◇matplotlib → 資料視覺化 　　◇SciPy → 科學計算 　　◇pandas → 資料處理與分析 　　◇scikit-learn → 機器學習

資料科學應用進入發燒排行的影片

使用多項式回歸預測加密貨幣的價格-以比特幣為例

為了解決資料科學應用的問題，作者丁韋譯 這樣論述：

最近十年之間加密貨幣大幅度成長，不只幣值高漲，加密貨幣與數位資產概念也不斷發展擴充，邁向普及化發展。其中比特幣的發展變化更受到大家的關注，比特幣的價格預測也成為重要的研究項目。本篇論文使用資料探勘進行資料前處理，利用多項式回歸以及分配權重預測比特幣的價格。 首先收集數量足夠且具可信度的資料集，使用JupyterPython及Dev-C兩種語言進行資料前處理，分別將具有遺失值的資料做過濾以及將過多的資料進行濃縮與分段，可有效簡化資料的複雜度。預測的部分使用了開源數據分析軟體KNIME中的多項式回歸，找出不同次方的預測結果。KNIME是用於建立資料科學應用程式和服務的開源軟體。 然後分析不同次方

對於比特幣預測的 差異性透過 Dev-C進行權重分配，獲得最佳的結果。最後分析不同次方及權重分配的差異性，以及尋找因 過度學習導致分析失誤的原因。

資料科學的建模基礎：別急著coding!你知道模型的陷阱嗎?

為了解決資料科學應用的問題，作者江崎貴裕 這樣論述：

　　會coding並不代表會建模！ 　　 　　你是否曾經有以下問題： 　　「如何評估模型的適用性？」 　　「有人說模型參數越多越不好？」 　　「各種模型的差異以及特色是什麼？」 　　「有人說模型好壞不能只看預測精確率？」 　　「要選哪一種模型比較適合手上的資料？」   　　這本書，將帶你釐清以上所有疑惑，以及你心中更多問不出來的問題！   　　市面上有很多優質的書籍，可以將建模工具（如：TensorFlow、Keras、PyTorch 等框架）鉅細靡遺地操作一遍；或是涵蓋許多數學、統計學的學理面，完美展現漂亮的數學式。但仍舊會讓人有隔靴搔癢、似懂非懂的感覺。再加上資料科學應用在不同領域，如

工程學、物理學、化學、生物學、生態學、哲學、或是經濟學，產生大量令人混淆的知識、名詞。因此，過去那種單點突破式的學習歷程，已經不足以應付當代資料科學家的養成。   　　想要在這混亂的資料科學領域裡脫穎而出，關鍵就在於你需要有見樹也見林的通盤觀念：以「模型」為中心，將相關的數學、統計知識環繞在這個中心，做一個通盤的介紹；接著，以俯視的角度，來抓住各領域常用模型之間的關聯，並說明許多技術本質上是殊途同歸；最後，我們即可探討現實中不同問題的分析方式，以及實務上建模需要注意的事情。   　　本書將會講解與模型相關的機率、統計、微分方程、自我迴歸、狀態空間、馬可夫鏈等觀念；並且比較隨機森林、支援向量機(

SVM)、神經網路、深度學習、自編碼器、強化式學習、多體系統等各種不同模型的優劣；最後討論貝氏推論、最大後驗估計、費雪三原則、訊息準則、概似比檢驗等如何應用在實際建模的過程。   　　中文版提供免費Python程式下載，讓讀者可以實際演練書中的範例，加深對知識的理解。   　　本書用宏觀的角度，來解述資料分析數學模型，讓你徹底了解資料分析過程中，不可或缺的「數學模型」。有了這本書，你將會掌握當代數學模型的基本精神，讓你在未來的研究或工作上，可以更順利。    本書特色   　　● 改變傳統一直寫程式的教學，帶你回到資料科學最根本的觀念 　　● 俯視資料科學的各種技術，掌握模型的特性跟陷阱 　　

● 底線標示重要觀念，粗體標示重要名詞，註解提供讀者延伸資訊 　　● 滿滿全彩圖說，每章結束附有重點整理，中文版附贈範例程式   好評推薦 (依姓名筆劃順序排列)    　　東京大學教授 西成活裕 推薦 　　國立高雄科技大學副教授 連志原 推薦 　　教育部國家講座教授/臺大講座教授/曾任臺大教務長 郭鴻基 推薦 　　國立臺灣大學名譽教授 謝南瑞 推薦

以深度學習方法建立地下水位預警之風險評估模型

為了解決資料科學應用的問題，作者翁采寧 這樣論述：

地下水作為人類生活及經濟發展中至關重要的存在，亦是穩定的水資源來源之一，因此面臨水資源短缺時，如何妥善利用地下水，成為一個非常重要的課題。而過往文獻大多以月份作為時間尺度，且通常以該地區過往歷史水位資料作為建模過程中的唯一輸入因子，如此可見目前對於以小尺度資料分析角度出發，且利用多項因子探討並預測地下水水位的研究仍相當缺乏。 故本研究以高雄大寮地區為例，除了降雨、潮汐、溫度及濕度的歷史小時觀測資料外，更加入過往文獻中，難以估計卻深刻地影響著地下水位變動的抽水資料。以及結合小波進行深度學習模型建立：藉由小波特徵萃取方式得到各項因子在時間域下的變動特徵，以及影響地下水位的延遲時間，進而透過

遞歸神經網路（recurrent neural networks，RNN）、長短期記憶模型（long short-term memory，LSTM）及門控循環單元神經網絡 (Gate Recurrent Unit, GRU)等深度學習方法，歸納並預測出多項變動因子在不同的時間延遲下對於地下水位的影響，最後以均方根誤差(root mean square error, RMSE)、決定係數(coefficient of determination,R2)等評估係數評估模型是否可信，並在最終 LSTM 模型的結果中得到 RMSE : 0.97、MAE：0.76、MSE：0.95、R2：0.5；表示本

研究能以事先瞭解並預測大寮地區可能產生的不同水位變動情形，為地下水位預測提供了一種可行而準確的方法，這將可作為智慧地下水資源管理與風險評估的一個重要參考，達到地下水資源永續利用的目標。