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）。
• • 實操：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；練習數據驗證與錯誤處理機制。
• • 額外資源：提供範例程式碼與常見錯誤排除指南，鼓勵學員在 Jupyter 中即時測試。

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，或使用 SciPy 進行 t-檢定比較不同團隊表現；介紹變異數與假設檢定基礎）。
• • 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。
• • 實操：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；小組分享圖表設計最佳實務。
• • 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）；討論多變量回歸擴展應用。

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 Keras/TensorFlow 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；涵蓋前饋網絡與激活函數概念。
• • 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；使用 GridSearchCV 自動化調優，並解釋過擬合與正則化方法。
• • 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。
• • 實操：Cursor 輔助腦storm 數據洞察，例如預測趨勢（如庫存短缺預警）或優化流程（如自動分類客戶反饋），並生成視覺化建議；小組練習自訂提示以解決特定業務問題。
• • 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。

第五堂：實戰專案與應用優化（3 小時）

內容重點：

• • 整合前四堂知識，完成端到端專案（如自動化 HR 報告或財務預測，例如建構員工離職風險模型或現金流預測儀表板）；步驟包括需求分析、數據收集與模型部署。
• • 錯誤排除、程式優化及跨工具整合（e.g., 與 Excel 互動，例如使用 openpyxl 直接更新試算表或整合 Google Sheets API）；介紹效能剖析工具如 cProfile 與向量化運算優化。
• • 討論職場應用：如何將技能應用於日常任務，例如自動化會議議程生成或供應鏈延遲分析；分享案例研究與 ROI 評估。
• • 額外實踐：使用 Git 版本控制專案代碼，並模擬生產環境部署如 Streamlit 應用。

第六堂：數據探索與研究（3 小時）

內容重點：

• • 探索性數據分析 (EDA) 基礎，使用 Pandas 和 Seaborn 進行描述性統計與分佈視覺化，例如直方圖與箱形圖分析數據變異；處理缺失值插補與離群值偵測。
• • 相關性分析與特徵選擇，使用熱圖識別變數間關係，並應用互信息或卡方檢定篩選重要特徵；介紹 Pearson 與 Spearman 相關係數差異。
• • 數據轉換與預處理技巧，如標準化、歸一化及處理不平衡數據，準備適合模型的資料集；涵蓋類別變數編碼如 One-Hot 與 Label Encoding。
• • 實操：對辦公室數據集進行完整 EDA，生成研究報告並分享發現洞察；使用 Sweetviz 或 Pandas-Profiling 自動化 EDA 報告生成。