這個分類適合誰？
- 想把 資料分析 / 機器學習 應用在真實問題的人
- 已學過基礎，但不知道如何往實戰前進
- 希望理解「為什麼這樣做」，而不是只抄程式碼
如果你也曾對「EDA 做完然後呢？」、「模型指標怎麼解讀？」感到困惑
那你會在這裡找到答案。
建議學習路線（從資料到模型）
- 資料理解與探索
建立對資料結構與分佈的直覺，避免一開始就做錯決策。 - 探索式 vs 驗證式資料分析
區分 EDA 與 CDA，知道什麼時候該探索、什麼時候該驗證假設。 - 特徵工程與選擇
將原始資料轉換成模型「真正吃得懂」的特徵。 - 模型評估與泛化能力
不只看準確率，而是理解 Bias / Variance 與泛化誤差。
👉 如果你是初學者，建議照順序閱讀
👉 如果你已經在做專案，可以直接挑選有關的主題深入。
精選實戰文章
深入探索固定週期特徵測試（FCFT）：用 Python 分析工業設備穩定狀態
實際案例說明如何從穩定週期訊號中萃取特徵，非常適合時間序列與工業資料背景的讀者。
驗證式資料分析（CDA）：從假設到統計驗證的完整流程核心
深入說明 CDA 與 EDA 的差異，幫助你建立更嚴謹的分析思維。
特徵選擇的科學方法：如何用 Pearson 相關係數找關鍵變數？
不再盲選特徵，理解線性關係背後的統計意義與限制。
解密機器學習模型指標！偏差與變異數（Bias & Variance）的關鍵解析
用直覺方式理解機器學習中最重要、也最容易混淆的概念之一。
推薦學習資源（實戰導向）
- DataCamp
– 系統化學習資料分析與機器學習，適合補齊基礎與實作。 - Practical Statistics for Data Scientists
– 資料科學人必讀的統計實戰書籍。 - Google Colab
– 快速實驗資料分析與模型的免費雲端環境。