資料分析課程詳細解說！用Python來做資料分析、機器學習、深度學習、人工智慧

資料演化的過程，大概可以分成下列的步驟：

資料(data) ：有可能是內部或外部蒐集的資料，內部資料如人員名冊、物料清單、檢驗記錄等它也可經由分類、計算、更正、彙整、與文字化等方式，外部資料則如網路非結構化的資料等。

資訊(information) ：屬經過有系統分析整理資料，會成為可由使用者解釋的特定訊息。資訊可採用文字、數字、語音、圖形、影像等不同的型態呈現，也可透過文件或視訊系統來傳送，提供接收者或使用資訊 的人調整他對事情的看法，更進而影響他的判斷與行為。

知識(knowledge) ：知識是源於資訊比較、歸納、分析、整合成為對特定領域專業化的認知，它是人的心智活動的結果，具有強大的力量以產生巨大的企業價值。它是以法規、政策、程序書、作業規定等形態呈現。資訊轉變成知識的過程中，需要人們親自參與。

智慧(Wisdom)：是一種分析、判斷、創造、思考的能力，或聰明才智。

人工智慧、機器學習 、深度學習

人工智慧(AI)是最古老但目前仍尚未被攻克的難關，最早可追溯到1950年代人們便開始發展人工智慧，目前最常用來達到人工智慧的方法，就是機器學習。也可以說機器學習就是達到人工智慧的手段。

而機器學習領域則有許多演算法的流派，目前知名度最廣泛的就是深度學習，深度學習是一種以神經網路為基礎的機器學習技術，最終都是希望能達到AI人工智慧的目的。

用Python學習資料分析

Python 是一種直譯式 (interpreted)、開放原始碼、物件導向的語言。由於它是一種直譯式語言，因此它的程式碼在由 Python 虛擬機器執行之前，會先轉換成位元碼 (bytecode)。
Python 有幾項特點讓它成為機器學習的首選：

1.大量現成可用的強大套件。有些是專為機器學習所開發的套件，例如：numpy、scipy 和 panda。
2.可以很容易地快速建立原型 (prototyping)。
3.有各式各樣的協作工具可用。
4.從特徵截取、建立模型，一路到更新機器學習解決方案，資料科學家都能使用 Python 來作業，不必在不同階段變換不同的語言。

恆逸 Python資料分析 系列課程介紹

課程並沒有一定的先後順序，而是依照需求來做選擇。

蒐集資料到資訊整理的階段：

【Pysp】 爬蟲與社群聆聽視覺化分析實務課程-使用Python，主要學習網路爬蟲、撰寫爬蟲腳本，配視覺化開發工具的HTML5作為呈現結果，打造Social Listening社群聆聽技術能力。

資訊處理、分析階段：

【BDPy】 Python與資料處理實戰演練，學習處理各種來源的資訊，使用Scala和Python處理Spark與非關聯式資料的內容，並且透過map/reduce作處理整理出有用的資訊。

【PyPD】 Python資料分析工具-使用Matplotlib、Numpy、Pandas，較適合針對既有資料，使用Python的Pandas、Matplotlib、NumPy模組對資料進行探索式分析。包含資料蒐集、清理、分析、視覺化等步驟，一步步地將資料精煉為資訊，再由資訊中提取出知識。

提取知識階段：

【PNLP】Python中文自然語言NLP深度學習專家課程，建議先上過第一階段的爬蟲課程，接續這堂課則著重在中文情感分析，資料萃取轉置工程、學會應用資料處理的Python套件。【PGGD】Python圖資料庫與知識圖譜開發實務，則是針對教您學會什麼是圖數據庫、NOSQL、設置Neo4j開發與伺服器環境、深入思考的複雜查詢與圖形操作可用性，建立知識圖譜網頁並提供查詢。

【PYML】Python機器學習-使用Scikit-Learn，廣泛的了解各種機器學習演算法的理論基礎，根據不同場景選擇正確的機器學習演算法。【PyKT】Python與機器學習深度學習-使用Keras與TensorFlow是從機器學習的原理應用出發，說明如何用Keras/TensorFlow作類神經網路的模型建立與使用。

智慧階段：

【AIOCV】AI電腦視覺OpenCV課程，是使用行之有年的影像處理函式庫OpenCV，除了用在傳統的影像應用程式之外，更被用於各式的深度學習，特別是跟影像相關的議題上，建立電腦視覺的基礎。