DS 104核心L1 + L2 證書
探索式資料分析與統計思維
建立不把「看到差異」直接當成「證明結論」的統計思維，能探索資料並清楚描述不確定性：從中心與分布、變異、異常值，到 population/sample/sampling bias、相關與混淆、信賴區間直覺、統計與實務顯著性，並完成自己的 Exploratory Data Analysis Report。
課程主軸：從資料的樣貌走到可信的統計判斷
整門課沿著同一條線走：Question、Distribution、Variation、Outlier、Sample、Association、Uncertainty、Significance、Interpretation、Action。AI 可以協助計算，人負責驗證與結論。
- 1. Question
這份資料要回答哪一個分析問題？受眾是誰？
- 2. Distribution
這個變數的中心、分布與變異長什麼樣子？
- 3. Outlier
有哪些離群值？它們是錯誤、例外還是重要訊號？
- 4. Sample
這份樣本能不能代表目標母體？
- 5. Association
兩個變數的關聯是什麼？有沒有混淆變數？
- 6. Interpretation
哪些是觀察、哪些是解讀、哪些還不確定？
- 7. Action
這個證據能支持什麼下一步行動？
你的下一步
DS 104 · Module 1 · 探索資料：分布、變異與異常
已完成 0 / 17 項0%
課程內容
- Module 1探索資料：分布、變異與異常從 EDA 的目的出發，學會中心與分布、變異程度，以及異常值的調查與 Guided Lab EDA Profile。
- Module 2從樣本到判斷：關聯、不確定性與限制學會 population/sample/sampling bias、相關與混淆、信賴區間直覺、統計與實務顯著性，並完成 Independent Lab EDA Report。
進度儲存在這個瀏覽器，不會記錄你的身分；只有在下方加入進度同步時才會上傳。
同步我的進度加入梯次後，進度可跨裝置保存，講師也能看到
實作與評量
- 實作 A：Distribution Profile畫出偏態群組的分布輪廓，判斷平均數是否足以代表這個群組。尚未完成
- 實作 B：Robust Summary Comparison比較平均數／標準差與中位數／IQR，找出更穩健的摘要方式。尚未完成
- 實作 C：Outlier Investigation在刪除離群值之前，先調查它們可能的來源。尚未完成
- 實作 D：Sampling Bias Scenario找出抽樣不足的分層，說明它會如何影響推論。尚未完成
- 實作 E：Correlation vs Causation Rewrite把因果聲稱改寫為受資料支持的 evidence statement，並指出混淆變數。尚未完成
- DS 104 前測與後測以前測與後測檢查中心與分布、離群值與抽樣、母體與關聯、混淆與不確定性、資料品質與顯著性、EDA 與 AI 覆核上的判斷力改變。尚未完成
- 探索式資料分析報告把所學轉成自己的探索式資料分析報告，說清楚問題、資料、方法、驗證方式與限制。尚未完成
關於這門課
學習成果
- 用 EDA 產生與檢查問題，而非證明預先設定的故事
- 比較穩健與非穩健摘要，將統計量連回分布形狀
- 描述離散程度，避免只用平均值解讀資料
- 移除前先調查異常值，記錄理由並做敏感度比較
- 建立分布、缺失、群組差異與可疑觀測的 EDA profile
- 定義目標母體，判斷樣本代表了誰、漏掉了誰
- 解讀關聯但不越界到因果，辨識可能混淆變數
- 區分「有證據存在差異」與「差異大小/實務重要性」
先備條件
- 不需要程式背景
- 建議先完成 DS 101 與 DS 102
適合對象
- NTPU 學生、教師與行政人員，日常需要處理結構化資料
- 已完成 DS 101、DS 102，想進一步建立統計判斷力的學員
- 使用 Excel / 試算表分析資料、想學習更嚴謹驗證方法的學員
完課證書
完成後可取得完課證書（L1）；另可透過額外的實作審查取得能力證書（L2）。
達成條件
- 完成全部 2 個課程模組
- 後測評量達 80% 以上
- 提交實作成果並經審查通過
課後回饋
約 2 到 3 分鐘，回饋會用來改進課程。