- D1： 資料分析與評估
- D2：EDA-1/讀取資料EDA: Data summary
- D3： 3-1如何新建一個 dataframe?3-2 如何讀取其他資料? (非 csv 的資料)
- D4： EDA: 欄位的資料類型介紹及處理
- D5： EDA資料分佈
- D6： EDA: Outlier 及處理
- D7： 常用的數值取代：中位數與分位數連續數值標準化
- D8： DataFrame operationData frame merge/常用的 DataFrame 操作
- D9： EDA: correlation/相關係數簡介
- D10：EDA from Correlation
- D11：EDA: 不同數值範圍間的特徵如何檢視/繪圖與樣式Kernel Density Estimation (KDE)
- D12：EDA: 把連續型變數離散化
- D13：程式實作 把連續型變數離散化
- D14：Subplots
- D15：Heatmap & Grid-plot
- D16：模型初體驗 Logistic Regression
- D17：特徵工程簡介
- D18：特徵類型
- D19：數值型特徵-補缺失值與標準化
- D20：數值型特徵 - 去除離群值
- D21：數值型特徵 - 去除偏態
- D22：類別型特徵 - 基礎處理
- D23：類別型特徵 - 均值編碼
- D24：類別型特徵 - 其他進階處理
- D25：時間型特徵
- D26：特徵組合 - 數值與數值組合
- D27：特徵組合 - 類別與數值組合
- D28：特徵選擇
- D29：特徵評估
- D30：分類型特徵優化 - 葉編碼
- D31：機器學習概論
- D32：機器學習-流程與步驟
- D33：機器如何學習?
- D34：訓練/測試集切分的概念
- D35：regression vs. classification
- D36：評估指標選定/evaluation metrics
- D37：regression model 介紹 - 線性迴歸/羅吉斯回歸
- D38：regression model 程式碼撰寫
- D39：regression model 介紹 - LASSO 回歸/ Ridge 回歸
- D40：regression model 程式碼撰寫
- D41：tree based model - 決策樹 (Decision Tree) 模型介紹
- D42：tree based model - 決策樹程式碼撰寫
- D43：tree based model - 隨機森林 (Random Forest) 介紹
- D44：tree based model - 隨機森林程式碼撰寫