臺灣博碩士論文加值系統

本研究應用R程式語言中的Shiny套件建立一個應用於數據科學上的互動式介面，主題包括：時間序列、資料探勘、機器學習、迴歸分析等。由於Shiny套件為動態且互動式的應用程序，允許使用者更改設置並馬上查看結果變化，因此可節省大量運行及修改程式的時間。此外，本互動式介面對於統計方法介紹和進一步理解亦非常有幫助，使用者能透過互動式方法進行數據的描述並使用R程式語言完成所有的操作，有助於提升數據科學在教學與學習方面的成效。

This study uses the Shiny package in the R programming language to create an interactive web application for data science including time series, data mining, machine learning, regression analysis, etc. Since the Shiny package is a dynamic and interactive application that allows users to change settings and check results right away, it saves users a lot of time from rerunning and modifying programs. In addition, this interactive web application is very helpful for the introduction and further understanding of statistical methods. Users can describe the data through interactive methods and use R programming language to complete all operations, which is helpful for improving the effectiveness of data science in teaching and learning.

摘要 xiii
ABSTRACT xiv
第一章 前言 1
第二章 文獻回顧 3
2.1 Orange Software 介紹 3
2.1.1 Orange Software 特色介紹 3
2.2 Orange Software 示例 5
2.3 方法比較 6
第三章 方法及工具 7
3.1 Shiny套件 7
3.2 ShinyDashboard套件 8
第四章 視覺化介紹 11
4.1校務資料 11
4.1.1 100學年度畢業滿5年學生問卷回收 11
4.1.2 102學年度畢業滿3年學生問卷回收 11
4.1.3 大學部歷年成績表 12
4.1.4 108年學測試場分配表 12
4.1.5 108 學年度大學個人申請入學各校系通過第一階段篩選名單 12
4.2輸出圖表介紹 13
4.2.1 單變量變數 13
4.2.1.1單變量類別型變數 13
4.2.1.2 單變量連續型變數 17
4.2.3 多變數 22
4.3其他常用圖形 25
第五章 資料科學平台 31
5.1上傳資料 31
5.2 資料視覺化 34
5.3 方法介紹 38
5.3.1 迴歸分析 38
5.3.1.1 線性迴歸模型 39
5.3.1.2 羅吉斯迴歸模型 41
5.3.1.3 對數線性模型 43
5.3.2 機器學習方法 45
5.3.2.1 決策樹 45
5.3.2.2 Random Forest隨機森林 47
5.3.2.3 單純貝氏分類器 48
5.3.2.4 Adaboost 50
5.3.2.5支持向量機 52
5.3.3 時間序列模型 53
第六章 畢業生流向調查平台 56
6.1 問題探討 56
6.2問題回答 56
6.2.1 就業地區(例如：南部或北部)與就業類別對薪資是否有影響 56
6.2.2 那一些系所之畢業生薪資較高? 61
6.2.3學生時期應該陪養的能力? 64
6.2.4在學修課成績對薪資是否有影響? 68
6.3 互動式視覺化介面 71
第七章 招生問題視覺化界面 74
7.1 學校招生問題分析 74
7.2 視覺化介面呈現 75
Chapter 8總結 77
參考文獻 79
附錄1. 80
附錄2. 81
附錄3. 87

[1]Agresti, A. (1990). Categorical Data Analysis. Wiley, New York.
[2]Friedman, J., Hastie, T. and Tibshirani, R. (2000). Additive logistic regression：A statistical view of boosting. Annals of Statistics, 28, 337-407.
[3]Friedman, J., Hastie, T. and Tibshirani, R. (2001). The Elements of Statistical Learning：Data Mining, Inference, and Prediction. Springer, New York
[4]James, G., Witten, D., Hastie, T. and Tibshirani, R. (2013). An Introduction to Statistical Learning: With Applications in R. Springer, New York
[5]Kutner, M. H., Nachtsheim, C. J. and Neter, J., Li, W. (2005). Applied Linear Statistic Models. McGraw-Hill Higher Education
[6]Lantz, B. (2013). Machine Learning with R. Packt Publishing Ltd
[7]Mailund, T. (2017). Beginning Data Science in R: Data Analysis, Visualization, and Modelling for the Data Scientist. Apress
[8]Montgomery, D. C., Peck, E. A. and Vining, G. G. (2001). Introduction to Linear Regression Analysis. Wiley, New York
[9]Quinlan, J. R. (1986). Induction of decision trees. Machine Learning, 1, 81-106.
[10]Rahlf, T. (2017). Data Visualisation with R: 100 Examples. Springer
[11]Shumway, R. H. and Stoffer, D. S. (2011). Time Series Analysis and Its Applications: With R Examples. Springer, New York