Data Mining without coding ~ Visual Programing ~ OrangeDM

透過Orange 建構Data Pipeline 包括Preprocess, Data Sampler, Tree Model, Test and Score, Confusion Matrix

建構不同分類模型（Tree, Random Forest, Logistic Regression, SVM）與預測 Predictions

建立迴歸預測模型（Linear Regression），透過創建指標（Feature Constructor）評估模型，並使用 Tree Viewer 檢視影響價格的參數。

Add-ons 可以新增Explain 的模組，介紹如何透過feature importance, explain model, and explain prediction 達到模型可解釋性的效果，讓model result 不再是黑盒子。

本小節將介紹Distance ＆ Distance Matrix，階層式分群（Hierarchical Clustering）與經典k-means分群等模組，讓學員們了解不同Clustering 的結果

主成份分析ＰＣＡ是一種統計分析、簡化數據集的方法。它利用正交轉換來對一系列可能相關的變數的觀測值進行線性轉換，從而投影為一系列線性不相關變數的值，這些不相關變數稱為主成份ＰＣ。透過ＰＣＡ可以達到資料維度下降，進一步分析是否能提升模型的正確性，可以算是特徵擷取的一種方式。

介紹Orange 圖像分析Image Analytics 的Image Grid 與找尋近似資料的Neighbors

透過Orange 建構圖片分析的流程，並串接分類器，演示Image classification model and the prediction

使用Orange 分析文字資料，包括文字前處理/文字雲/文字權重ＴＦＩＤＦ，並建構文字分群與文字分類

introduce text mining, including corpus, import documents, preprocess text, bag of words, word cloud, etc. with unsupervised model and classification model

在OrangeDM中，使用ChatGPT，利用Prompt 詢問ChatGPT，取得ChatGPT的回答，進一步透過 Text Mining and Clustering 的應用案例。

透過ChatGPT KPI，使用ChatGPT Summarize 來協助分群後的子群描述。