Search
新課上架🔥 資料探勘，「真正有用」的數據在這！
現正早鳥優惠 👉 https://bit.ly/3pzSR9Q
🎯你知道資料探勘無所不在嗎❓
✔找出最佳投資法
✔金融市場變化趨勢
✔消費者行為分析
✔新客戶開發
✔洞察經營狀況
✔預測天氣
💭但是…
資料來源太多，完全抓不住重點❓
資料太雜亂，無將資訊好好傳達❓
統整好資料，卻又不知道該如何應用❓
🎯不怕學不會！特製 50 題評量幫助你回顧課程概念
🎯一次掌握多種實用工具模組與回歸分析
🔸Pandas / NumPy / SKLearn
🔸購物籃分析
🔸線性迴歸 / 羅吉斯迴歸
🔸決策樹
🔸K-means / DBSCAN
🎯找出數據間的相關性，創造更大收益
🔹預測消費者心理
🔹找出疾病與體適能
🔹分類預測資料
🔹進行用戶分群
資料探勘速成攻略，輕鬆駕馭資料分析與實務應用
現正早鳥優惠 👉 https://bit.ly/3pzSR9Q
#12個精華模組
#50題評量
#資料探索實作_視覺化實例
#關聯分析實作_購物籃分析
🧠＃AI趨勢不可逆 你必知的機器學習
「機器學習（Machine Learning），是人工智慧發展的一環。
指的是讓機器『自主學習』並『增強』的演算法。」
🧠＃你該學會機器學習的4大理由 ➡https://bit.ly/36t5uNn
Bain顧問公司研究結果顯示，採用機器學習和分析技術的企業：
❶ 可增加 2 倍以資料分析結果作為依據的決策數量
❷ 決策速度比競爭對手更快的機率可提升 5 倍
❸ 可加快 3 倍原來上述決策的執行速度
❹ 可增加 2 倍原來獲得理想財務回報的機會
想加速決策效率、獲得理想回報？那麼推薦您學習：
【機器學習好簡單，輕鬆讓你一手掌握資料科學實作 10 大技巧】
🧠12 章節Ｘ 4.1 小時教學全面解密 ＃機器學習必備十大技巧
❶線性迴歸 ❷羅吉斯迴歸 ❸決策樹 ❹隨機森林 ❺支援向量機 SVM
❻樸素貝葉斯 ❼集成學習 ❽K-Means ❾階層式分群 ❿密度式分群
🧠＃豐富實作
這門課，除了幫助你認識完整的機器學習概念外
還可以實作出超豐富的機器學習應用，如：
「房屋價格預測、股票分析預測、產品品質管理」等類似實作
更多應用請見➡https://bit.ly/36t5uNn
💗貼心提醒：即日起至12/21止，早鳥享8折優惠價1,264元
😇很榮幸受邀到 women in data science 2020 演講😇
題目：在網路聲量定產品好壞的年代，我們需要好的機器學習來翻轉👌🏻
在電商時代趨勢下，消費者在購物前習慣透過商品歷史客戶評價（Customer Reviews）來進行選購，就像我在淘寶買衣服之前，一定會看其他消費者穿搭照片一樣，有時候會瞬間滅火，有些衣服在模特身上是玲瓏有緻，穿在一般老百姓身上就是灌香腸。
或是某些客戶習慣A商品頁面攻擊Ｂ商品，或是趁機打其他商品廣告，試圖把潛在客戶引開。
客戶評價以往大多採用人工的方式進行審核，但在評價數量與日俱增，我們需要機器學習演算法來簡化人類的工作量🤗，透過演算法的方式針對商品評價進行篩選，不僅可減少人力支出，更可以有效的進行模型優化。
◽️分析工具：
SQL database🐬
python pandas scikit-learn 🐍
◽️實務分析流程:
整理特徵-->處理樣本不平衡-->特徵選擇-->羅吉斯迴歸-->評估指標(recall rate)-->決定臨界值-->結合多模型成就最終版數學模型
◽️白話文：
Customer Reviews是由購買和使用過該產品的顧客對產品進行的評論。
一個新的 評價 進來，丟入最終版數學模型後，模型會給此 評價 一個分數，此時若算出來的 分數>0.75 我們就會直接將這條 評價 放到 電商平台網站上，若 分數< 0.75 則會進一步交由人工小組審查，若通過人工小組審查則放上網站，反之移除。
🍊有趣的小常識：
此次用到的演算法叫羅吉斯回歸(Logistic regression)
，很多朋友都在問為什麼要叫做regression呢？
從前從前英國科學家想要研究“身高都很高的夫妻，是否會生下更高的兒女？”，於是發現父母特徵的確會遺傳給後代，但是並不會產生極端身高的族群。當父母的身高已經遠離平均身高時，生下的兒女身高並沒有持續「遠離」平均，而會稍微「靠近」平均，也就是相對矮了一點。
把這個「極端」往「平均」移動的現象稱為「 regression to the mean 」，很有趣吧🙈🙈
🐶Mina IG : https://reurl.cc/8GZZjb
----------
最後謝謝
讀書會 Republic of AI Developer
研討會 Women in Data Science Taipei
還有週末被我逼迫聽我rehearsal 的朋友們 😆😆
「孫在陽」直播-數據科學與雲遄運算1.using the data
「孫在陽」直播-數據科學與雲遄運算2.Data cleaning up
大數據分析-統計分析從資料取得，資料清理到視覺化分析。如何做大數據分析?
孫在陽老師主講，[email protected]
範例、講義下載：https://goo.gl/ytzRxT
時間軸
00:00 簡介
03:40 數據科學
09:30 大數據分析與統計分析的差別
13:35 AI是什麼
14:52 圖靈測試 Turing test
17:35 機器學習
20:47 建模
21:58 用線性迴歸做預測
26:46 用羅吉斯迴歸做分類
28:54 其他機器學習
31:28 研究目的
33:21 數據來源的差別
42:58 取得 Azure API for FHIR 數據
01:10:00 資料清理
01:19:48 如何展開資料
01:37:40 描述性統計:樣本個數
Jan 1, 2020 - 羅吉斯迴歸主要用於依變數為二維變數(0,1)的時候，以下將詳細說明其原理及SPSS操作。 一、使用狀況羅吉斯[…] ... <看更多>
Two-Class 羅吉斯回歸模組. 本文描述Azure Machine Learning 設計工具中的模組。 您可以使用此模組來建立羅吉斯回歸模型，以用來預測兩個(以及只有兩個) 的結果。 ... <看更多>
羅吉斯迴歸 在 [問題] 卡方和羅吉斯迴歸得到不同的結果(己解決) - 看板Statistics 的推薦與評價
感謝熱心的版友協助
目前已解決這個問題, 謝謝大家哦^^
大家好, 我是統計新手,如果問了很白目的問題
請大家見諒。
我針對一個ＤＶ和一個ＩＶ同時做了卡方和羅吉斯回歸
卻得到不同的結果，現在我不知道要如何去解讀這個差異
卡方的結果是無顯著差異
羅吉斯卻顯示有組別差異
想請問大家，為什麼有這樣的差異？要如何去解讀呢？
在此先謝謝大家的意見：）
使用的軟體為Ｒ
結果複製貼上在下方
Pearson's Chi-squared test
data: acc_frame$value and i
X-squared = 5.4701, df = 4, p-value = 0.2424
Call:
glm(formula = value ~ LanGroup, family = binomial(logit), data = acc_frame)
Deviance Residuals:
Min 1Q Median 3Q Max
-3.0214 0.2343 0.2343 0.2433 0.2520
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) 4.5539 0.4496 10.130 <2e-16 ***
LanGroupME_E -1.0487 0.5250 -1.997 0.0458 *
LanGroupME_L -0.9725 0.5303 -1.834 0.0666 .
LanGroupMT_E -0.9725 0.5303 -1.834 0.0666 .
LanGroupMT_L -1.1199 0.5205 -2.152 0.0314 *
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Null deviance: 561.15 on 2399 degrees of freedom
Residual deviance: 554.60 on 2395 degrees of freedom
AIC: 564.6
Number of Fisher Scoring iterations: 7
--
※ 發信站: 批踢踢實業坊(ptt.cc)
◆ From: 92.225.98.215
謝謝JeanYCY的提醒,已補上(其實我真的不知道也要看Null deviance 和 Residual
deviance...汗顏)
謝謝yhliu的解答,但可以請您再解釋清楚一點嗎?謝謝^^
在熱心的JeanYCY版友的解說+ google大神, 發現可以用
anovo(glm(variable), test="Chisq") 做整體差異的檢定
以我的例子來說,得到值是和卡方差不多的
提供給日後有需要的版友做參考囉:)
謝謝大家
※ 編輯: sleepingbaby 來自: 92.225.101.143 (11/29 11:09)
... <看更多>