Ｍicrosoft Data Science -Programing with python for data science 一些筆記心得，分享一下！

1. 課程：Programing with Python for Data Science

2. 分類特徵
無序----例如：紅綠黃
有序----例如：歲數、開心等級
連續特徵
能被測量的----例如：公分、公斤

3. 當你在分類特徵時，會遇到以下幾種狀況：
充滿雜訊
不是好的分類
分類特徵調性不強
千萬別錯失搜集！！！
機器學習美在某些分類很弱，但結合後會更強大。

4.  區分Dataframe、Series
Dataframe:有一個表格
Series：一維的資料
 如何去除Nan?
全部填一個值
向前填
向後填
填入最大紀錄
丟掉整列
 必須去思考填入什麼值不會影響整體的精準度！

5.  Matplolib，簡稱MPL，主要是在處理2D、3D、動畫
及簡單資料處理。
 直方圖：說明資料集中特徵的分佈，我們可以從圖中了
解三件事。
了解特徵分佈 例如：高斯、常態分佈…
在值域中，採樣還有哪些可能值？
樣本有多少？

6. 2D散佈圖：有序的，檢查資料中的分組或模式。
圖表中，可以呈現特徵間是否存在相關性。例如：線性關係
3D散佈圖：同時顯現三個特徵
平行座標圖：3D以上，與散佈圖相似

7.  特徵的三大特性：彼此獨立、具有鑑別度、訊息豐富
 介紹兩種非監督的維度降低演算法
PCA主成份分析：非監督的維度降低演算法，是一種分析、簡
化數據集的技術。主成分分析經常用於減少數據集的維度，同時
保持數據集中的對變異數貢獻最大的特徵。
Isomap等距特徵映射：非監督的維度降低演算法，是一個非線
性降維方法，被廣泛使用的低維嵌入方法之一。等距特徵映射被
用來計算準等距的高維數據到低維的嵌入方法。

9. 歐幾里德距離 測地距離 Isomap

11.  講者：雖然他很嘗試著說得很簡單，但其實有太多的詞需要想，也
可能要我不用知道那麼多原理，只需要會呼叫程式，帶入參數就好。
 影片：影片長度都在2~8分鐘內，很適合我們觀看。每個演算法或
分類法，都有分四個部分說明：簡介、何時要用、文件介紹、比較
與總結。
 實作：題目的說明與步驟都是英文，學習上還是有很大障礙。前四
張的實作覺得難度適中，需要思考，但對我而言不會太困難，還在
能力範圍。
 總習題：後面幾題有點活，所以有透過google查詢一些專有名詞，
才能作答。

12.  後續還有K-meams,K-Nearest,Regression,SVC,Decision
Tree,Random Forest這次沒有介紹到，未來有機會再補充。
 這單元的五六七單元，實作的部分我在網路上有找到別人的實作
https://github.com/LamaHamadeh/Microsoft-DAT210x
 這每一個單元中的單元，都是一個很大的題目，要一一了解並不簡
單，每個都學很深，我在五六七單元學得很不好，我歸類幾個原因：
第一，我程式能力不夠，很多需要多放一個變數去存取，我會卡住。
第二，課程中雖然有教我們觀看文件，但在自己實作時，還是很吃
力，第四單元以前我都能實作。
 在PCA與Isomap就卡住我很久，我立體感不夠好，投影方法要經
過很久才想通。