I. 基礎篇
I.1 取得資料	                     第二週
I.2 資料的過濾與排序	             第二週
I.3 改變變數的類型與角色	             第二週
I.4 檔案的讀取與儲存	             第二週
I.5 模型建置	                     第三週
I.6 變數的結合與分類	             第三週
I.7 變數的新增與選擇	             第三週
II. 資料處理
II.1 遺漏值處理	                     第三週
II.2 資料的常態化與找出離群值          第四週
II.3 變數的分類、樞紐轉換與重新命名     第四週
II.4 巨集與抽樣	                     第四週
II.5 迴圈、分支、樣本設定與附加資料     第六週
II.6 以最小樣本進行迴圈與分支	     第六週
II.7 讀入多個檔案進行儲存、合併與運算   第六週
II.8 結合多個檔案之變數	             第六週
II.9 計算日資料之月平均與季平均值	     第七週
III. 模型之建置、評分與驗證
III.1 分類模型之建置	             第七週
III.2 模型評分 (Scoring)	             第七週
III.3 分割資料預測並檢視績效	     第八週
III.4 交叉驗證 (Cross Validation)     第八週
III.5 視覺化模型比較	             第八週
IV. 實例練習
IV.1 國外旅遊分析	             第十週
IV.2 價格分群 (Price Clustering)	     第十週
IV.3 信用違約與參數最佳化	             第十週
IV.4 客戶流失與資料不平衡	             第十一週
IV.5 增益圖 (Lift Chart)分析	     第十一週
IV.6 以KNN模型尋找最近基地台	     第十一週
IV.7 迴歸模型與二手車售價 (1)	     第十二週
IV.8 迴歸模型與二手車售價 (2)	     第十二週
IV.9 嬰兒體重過輕預測	             第十二週
IV.10 醫療詐欺偵測	             第十四週
IV.11 購物籃分析	                     第十四週
IV.12 依據績效發送警訊郵件 (1)	     第十四週
IV.13 依據績效發送警訊郵件 (2)	     第十四週
IV.14 機器維修預測 (1)	             第十五週
IV.15 機器維修預測 (2)	             第十五週
IV.16 移動平均與趨勢	             第十五週
IV.17 公司財報與股價   	             第十五週
IV. 18 處裡視窗資料	             第十六週
IV.19 天氣預測：交叉驗證與滑動視窗驗證  第十六週
IV.20 天氣預測：ARIMA模型	     第十六週
IV.21 RFM模型分析 (1) 	             第十七週
IV.22 RFM模型分析 (2)                 第十七週


1. 本課程將以每周作業繳交、教室上機測驗以及評估平時表現的方式，檢核學生學習成效。
2. 上課方式是以主題背景說明及在數據分析平台實例操作為主，每周作業是依據當周上課與教材內容製作，學生需於下周上課一天前於數位學習平台繳交，達到學生在學習完新單元後，能即時練習並熟悉分析平台使用之目的。
3. 每次上機測驗約涵蓋3到4周的課程內容(共4次測驗)，考試內容主要參考作業題目，以激勵學生每周作業必須自行完成，一步一步踏實學習，避免抄襲繳交的問題。
4. 鼓勵學生在學習或做作業時，遇到任何問題，能即時以LINE或在數位學習平台進行交流，學生與老師(或同學間)的互動紀錄，有助於平時成績的考核。對學生普遍都有的類似問題，老師會統一在群組轉貼、說明與答覆。
5. 本課程成績評定，測驗占80%(每次考試占20%)，作業占15% (含作業是否按時繳交)、線上互動與面授出席等占5%，及格成績為60分。