110年第2學期-1758 經濟建模與數據分析 課程資訊

評分方式

評分項目	配分比例	說明
課堂參與	15	日後可能視情況調整比例分配
作業	25	日後可能視情況調整比例分配
期中實作	30	日後可能視情況調整比例分配
期末報告	30	日後可能視情況調整比例分配

教育目標

本課程結合經濟學、統計學與電腦科學，帶領學生學習與瞭解數據分析與經濟建模的核心知識與基本技能。課程設計包括數據分析所需要的資料處理與建模流程，從數據清理與整理的前置作業、數據分析與建模所需要的各種演算法與應用、模型訓練與驗證的最佳化技術，以及建模後的測試準確性檢驗作一系列的介紹。其次，進一步瞭解文字型態資料的探勘技術與分析方法。同時，課程將會教導學生使用編程，並搭配個案實際操作練習。最後，學生能夠以經濟學的視角來解釋數據分析結果來作決策。 在完成此課程的學習，學生將 (1) 瞭解數據分析與模型建構的核心知識與發展趨勢； (2) 具備編寫程式語言的技能； (3) 選擇並應用合適的分析方法和演算工具； (4) 能夠在更廣泛的經濟背景下構建問題，並且提供與該背景相關的獨特見解，成為一位數據分析師的角色。

課程概述

本課程結合經濟學、統計學與電腦科學，帶領學生學習與瞭解數據分析與經濟建模的核心知識與基本技能。課程設計包括數據分析所需要的資料處理與建模流程，從數據清理與整理的前置作業、數據分析與建模所需要的各種演算法與應用、模型訓練與驗證的最佳化技術，以及建模後的測試準確性檢驗作一系列的介紹。其次，進一步瞭解文字型態資料的探勘技術與分析方法。同時，課程將會教導學生使用編程，並搭配個案實際操作練習。最後，學生能夠以經濟學的視角來解釋數據分析結果來作決策。

基本資料

選修課，學分數：0-3
上課時間：四/6,7,8[SS106]
修課班級：經濟系3,4
修課年級：年級以上
選課備註：一般組及產經組指定選修學分，不辦理老師簽名選課

參考書目

教科書目：自行編製講義。
參考書目：
1. McKinney, W. 2017. Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython. 2nd Edition. O’Reilly Media.
2. James, G., Witten, D., Hastie, T., and R. Hastie. 2014. An Introduction to Statistical Learning with Application in R. Springer.
3. Gkoulalas-divanis, A. and Labbi, A. 2014. Large-Scale Data Analytics. Springer.
4. VanderPlas, J. 2016. Python Data Science Handbook: Essential Tools for Working with Data. O’Reilly Media.
5. Sarkar, D. 2019. Text Analytics with Python: A Practitioner's Guide to Natural Language Processing. 2nd Edition. APress.
6. Varian, R.H., 2014. Big Data: New Tricks for Econometrics. Journal of Economic Perspectives. 28(2). pp. 3-28.