Karina 正在評估三種不同的監督式機器學習模型，用來偵測銀行詐欺交易。Karina 知道訓練資料的一個弱點是：合法交易的樣本遠多於詐欺交易。
在右側，你可以看到每個模型將交易預測為詐欺或合法的結果，並與實際上交易是詐欺或合法的情況相比較。
根據這些資料，哪一個模型最好？為什麼？
本練習屬於課程
將理論付諸實踐，立即體驗我們的互動練習
我們先從定義資料科學開始。接著介紹資料科學的工作流程，以及如何將資料科學應用到真實的商務問題。最後，你會學到如何規劃資料團隊的架構，讓它符合組織的需求。
既然已經理解資料科學的工作流程，接下來就深入第一步：資料蒐集。你會學到公司可運用的各種資料來源，以及資料蒐集後要如何加以儲存。
本章將說明如何透過儀表板探索與視覺化資料。我們會討論儀表板的組成，以及如何明確提出儀表板需求。本章也會介紹臨時（ad hoc）資料需求與 A/B 測試，這是能降低決策風險的強大分析工具。
在最後一章，我們要討論資料科學中最受關注的主題：機器學習！我們會介紹監督式與非監督式機器學習，以及分群。接著進入機器學習的進階主題，包括時間序列預測、自然語言處理、深度學習，以及可解釋的 AI！
當前練習
