課程簡介

本課程旨在為辦公室從業員提供實用技能，透過 Python 處理日常數據任務，包括數據清理、視覺化分析，以及整合 AI 工具輔助決策分析。課程以實操為主，每堂包括講解、程式示範及小組練習，適合無編程基礎的學員。此大綱可根據學員反饋微調，強調實用性與即時應用。

第一堂：Python 基礎與數據導入（3 小時）

內容重點：

• • Python 環境設定及基本語法介紹（變數、列表、迴圈、條件式及函數，例如使用變數儲存員工姓名列表，並以迴圈計算總薪資；介紹 Anaconda 環境安裝與 Jupyter Notebook 使用）。
• • 使用 Pandas 庫導入及清理辦公室數據（如 Excel/CSV 檔案，例如讀取客戶訂單檔案並移除重複記錄；處理缺失值、數據類型轉換及基本篩選操作）。
• • 實例：處理簡單銷售或員工數據，自動化重複任務，例如合併多個月銷售報告或篩選逾期發票。

第二堂：數據分析與視覺化（3 小時）

內容重點：

• • 使用 NumPy、Pandas 及 SciPy 進行基本統計分析（平均值、趨勢計算、相關性分析，例如計算季度銷售成長率、部門生產力中位數）。
• • 透過 Matplotlib/Seaborn/Plotly 繪製圖表（如柱狀圖、折線圖、互動熱圖），分析業務指標，例如繪製產品銷售熱圖、客戶滿意度趨勢線，或使用 Plotly 建立可縮放的儀表板顯示 KPI 變化；介紹 Dash 框架快速建置互動儀表板。
• • 實例：模擬月度報告，視覺化銷售趨勢或預算分配，例如生成餅圖顯示預算類別分佈、散點圖分析價格與銷量關係、箱形圖比較區域銷售變異，或互動地圖顯示客戶分佈。
• • 進階分析技巧：介紹簡單線性回歸（使用 Statsmodels 預測銷售趨勢）、樞紐分析表（Pandas pivot_table 彙總多維數據）、及異常值偵測（使用 Z-score 方法識別離群銷售記錄）。

第三堂：進階機器學習應用（3 小時）

內容重點：

• • 介紹深度學習基礎，使用 Pytorch 建構簡單神經網絡，例如預測客戶行為或圖像分類辦公文件。
• • 模型評估與調優技巧（如交叉驗證、超參數調整），應用於業務預測模型。
• • 實操：建構一個推薦系統，例如基於歷史數據推薦產品或任務分配；整合協同過濾與內容基推薦演算法。
• • 整合 Cursor AI 優化模型訓練流程，自動生成訓練腳本；討論 GPU 加速與模型保存/載入實務。

第四堂：整合 AI 輔助分析（3 小時）

內容重點：

• • 介紹 Cursor AI 工具與 Python 整合，例如透過 Cursor 自動生成 Pandas 查詢代碼；討論 Cursor 的提示工程技巧以提升代碼生成準確度。
• • 使用 Cursor 生成分析建議（如「從銷售數據中找出潛在問題」，例如偵測異常高退貨率），並自動化腳本，例如產生警報通知腳本；整合 email 通知模組如 smtplib。
• • 進階 AI 模型整合：使用 Scikit-learn 庫透過 Cursor 輔助建構複雜模型，例如線性回歸預測銷售額、隨機森林進行特徵重要性分析、分類器（如邏輯斯迴歸）辨識客戶流失風險、KNN 算法進行相似客戶分群；評估模型效能如準確率與混淆矩陣。