111年第2學期-1595 資料視覺化分析 課程資訊

評分方式

評分項目	配分比例	說明
課堂參與出席	15	每週上課點名，期末出席成績由 R 軟體隨機選出五週計分。若需請假，請將請假證明寄至教師 email 。
平日個人及小組作業	20	包含隨堂電腦軟體操作及輸出。
期中小組口頭報告	15	包含關於 R 軟體的操作與分析內容的詮釋；請針對所選資料之研究議題做出之視覺化分析與詮釋，引用及書寫格式請比照期刊撰稿體例，若有抄襲之情事以零分計。
期中小組書面報告	15	包含關於 R 軟體的操作與分析內容的詮釋；請針對所選資料之研究議題做出之視覺化分析與詮釋，引用及書寫格式請比照期刊撰稿體例，若有抄襲之情事以零分計。
期末小組口頭報告	15	包含關於 R 軟體的操作與分析內容的詮釋；請針對所選資料之研究議題做出之視覺化分析與詮釋，引用及書寫格式請比照期刊撰稿體例，若有抄襲之情事以零分計。

教育目標

社會科學領域的經驗研究過程中，往往會牽涉到資料的蒐集，而資料視覺化就是將龐大雜亂的資料轉換成較容易理解的圖像。好的圖表可以有效的將資料所包含的資訊向讀者溝通，但不好的圖表可能反而會誤導讀者。 資料視覺化對於清理資料、探索資料結構、偵測界外值（outliers）及異常群體、辨識趨勢及叢聚（clusters）、發現局部模式（pattern）、評估模型分析輸出（output）、與呈現分析結果，都相當有幫助。資料視覺化分析對於探索性數據分析（exploratory data analysis）及潛在變項分析（latent variable analysis）更是不可或缺的。 本課程主要目標為使用 R 軟體與真實社會科學調查的資料，透過資料視覺化分析來展現資料中的資訊。課程前半學期會先介紹圖像理論的概念，再透過實際操作與具體設計並畫出統計圖像、詮釋統計圖像的經驗，有效率地理解探索性資料視覺化。課程後半學期，會介紹如何將大多數研究者感興趣、卻無法實際量測到的概念或態度，使用視覺化的模型進行分析。

課程概述

Data visualization is an important issue that can arise in high-dimensional data analysis. It has become increasingly more important due to the advent of computer and graphics technology. The difficulty lies on how to visualize a high dimensional structure or data set. Such kinds of questions do have a common root in Statistics. This course will introduce some statistical methodologies useful for exploring voluminous data. The main topics include, but not limited to, two parts. The first part is based on dimension reduction methods which include Principal Component Analysis (PCA), Projection Pursuit, Sliced Inverse Regression (SIR), Principal Hessian Direction (PHD), Minimum Average Variance Estimation (MAVE) and LASSO etc. The second part is just a collection of dimension free methods which consist of Parallel Coordinate Plot, Matrix Visualization, Generalized Association Plots (GAP) etc. Most of methods will be discussed from both theoretical and practical perspective for the entire course. Examples from various application areas will be given.

基本資料

選修課，學分數：0-3
上課時間：三/5,6,7[M023]
修課班級：統計系2-4
修課年級：2年級以上
選課備註：大數據資料群組(107-111適用)

參考書目

(1) Kieran Healy, 2019, Data Visualization: A Practical Introduction, Princeton University Press: Princeton and Oxford.

(2) Antony Unwin, 2015, Graphical Data Analysis with R, CRC Press.

(3) W. Holmes Finch, Brian F. French, 2015, Latent Variable Modeling with R, Routledge.

(4) A. Alexander Beaujean, 2014, Latent Variable Modeling Using R: A Step-by-Step Guide, Routledge.