2025 08 11 左永安 顧問 人生意義 HOME....

 

2025 08 08 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師 開源地端模型 與 智慧製造 開源地端模型 透過在 本地端部署具有 1.可自訂性 2.低延遲 3.高安全性 的AI 演算法 數位孿生技術 與 虛擬優化虛實融合模擬– 數位孿生 是指在 虛擬環境中建立 1.產品、 2.生產線或 3.整座工廠 的精確數位 模型

 

2025 08 08 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師 開源地端模型 與 智慧製造 開源地端模型 透過在 本地端部署具有 1.可自訂性 2.低延遲 3.高安全性 的AI 演算法 數位孿生技術 與 虛擬優化虛實融合模擬– 數位孿生 是指在 虛擬環境中建立 1.產品、 2.生產線或 3.整座工廠 的精確數位 模型

 開源地端模型  與  智慧製造

開源地端模型  透過在  本地端部署具有

    1.可自訂性 

    2.低延遲    

    3.高安全性

的AI 演算法，

能夠實現智慧製造中的

    1.即時品質  監控

    2.預測性      維護

    3.生產流程  優化

開源地端模型指的是

那些  公開

   1.釋出其源代碼、

   2.模型架構  與

   3.部分或全部權 重，並且

   4.能夠在本地硬體(例如個人電腦或內部伺服器)上

   部署  與  運行的 語言模型。

 •此類模型允許使用者在無需依賴雲端服務的情況下，

  自行管理  與  調整模 型，從而更好地保護

  資料隱私  並  滿足個別化需求。

  主要特性與優勢– 

    靈活度高：使用者可按需求  查閱、修改與優化  模型。

    隱私保護：資料在本地運算，降低  外洩風險。 

     即時響應：減少  網路    傳輸延遲，提高  系統   反應速度。 

常見的開源地端模型– 

GPT-2：

由 OpenAI發布，擁有多個不 同參數規模的版本，

其中較小版本對硬 體資源要求較低。

 LLaMA：

Meta發布的系列模型，雖然 使用上可能需遵循特定限制

(  LLaMA 的 原始權重僅對符合條件的  學術研究者  及 機構  開放)，

但也被廣泛    應用於   本地化 研究與實驗– 

T5 系列：

由 Google 提出，該模型基 於「文本轉文本」架構，可根據任務需 求進行微調。

針對資源有限的情況，可 選擇 T5-Small 或 T5-Base 版本。

數位孿生技術  與  虛擬優化

虛實   融合模擬– 數位孿生 

是指在   虛擬環境中建立

    1.產品、

    2.生產線或

    3.整座工廠

     的  精確 數位 模型，並以 實際資料  加以驅動。

 未來更多製造商  將運用   數位孿生  來  優化生產。

透過在虛擬工廠中模擬 各種  生產  參數變化，AI可以預測 不同設定對

產出、品質的影響，協助 找出    最佳方案。 

產品   研發 與 產線   導入–數位孿生

除  優化現有流程，對 新產品導入 也  極為有利。

研發團隊   可先 行建立   產品的  數位孿生，

在虛擬環境中  模擬    製造與組裝過程，預估  良 率 和  周期。

若結果不理想，可在虛擬模型中  反覆修改   設計 和 製程，

直到達標   再轉 到   實體試產，大幅縮短  研發週期。

2025 08 08 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師 生成式 AI 的實現方式多種多樣 生成對抗網路(GAN):Transformer架構: 是一種 以 自注意力機制 為核心 的 神經網路模型， 主 要應用於自然語言處理(NLP)等領域。

 

2025 08 08 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師 生成式 AI 的實現方式多種多樣 生成對抗網路(GAN):Transformer架構: 是一種 以 自注意力機制 為核心 的 神經網路模型， 主 要應用於自然語言處理(NLP)等領域。

 

2025 08 08 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師 生成式 AI 的實現方式多種多樣 生成對抗網路(GAN):Transformer架構: 是一種 以 自注意力機制 為核心 的 神經網路模型， 主 要應用於自然語言處理(NLP)等領域。

 生成式 AI 的實現方式多種多樣

生成式 AI的實現方式多種多樣，包括

不同的   模型架構  與  演算法:

生成對抗網路(GAN):

由一個  生成器  和一個  鑑別器   組成，

透過   競賽方式  讓   生成器    產生    越來越逼真   的資料，

多用於   圖像     等內容的生成 。

Transformer架構: 

是一種 以   自注意力機制  為核心  的   神經網路模型，

主 要應用於自然語言處理(NLP)等領域。

它的   關鍵創新   在於不使用  傳統 的  

循環神經網路   (RNN:一個字一個字慢慢看)，

而是  透過   同時關注    序列 中所有元素    之間的  關係   來捕捉資訊。

目前   文字領域中     最主流   的是 以Transformer為基礎   的

大型語言模型(LLM) ，如 GPT-4，

能夠擅長理解   上下文    並  生成       長篇連貫的文本。

2025 08 07 左永安 顧問 企業導入AI五大步驟– 1.需求定義– 2.現狀評估 與 資料準備– 3.組建團隊 與 治理架構– 4.模型 選型 與 開發– 5.試點 測試 與 優化

 

2025 08 07 左永安 顧問 企業導入AI五大步驟– 1.需求定義– 2.現狀評估 與 資料準備– 3.組建團隊 與 治理架構– 4.模型 選型 與 開發– 5.試點 測試 與 優化

 企業導入AI五大步驟– 

1.需求定義– 

從了解自己的商業模式與痛點開始:

    具體的目標客群是誰?– 

    差異化的服務/產品為何?– 

    關鍵的活動與資源為何?

2.現狀評估    與 資料準備– 

3.組建團隊    與 治理架構– 

   a.在組建團隊與治理架構時，企業應 成立跨部門AI專責小組，

     包括 業務 分析師、工程師、資料科學家及IT 人員，

     以確保 技術 與 業務需求能夠 緊密協同。

   b.同時需制定AI相關規範與倫理準則 ，

     涵蓋資訊安全、隱私保護及模型 可解釋性，

     以強化   風險控管  與  問責 機制。

4.模型  選型  與  開發– 

5.試點  測試  與 優化

2025 08 04 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師 模型訓練 是 機器學習過程 的 核心階段，其目標是透過學習 輸入特徵 與 輸出結 果 之間的 映射關係，找出最優的模型參數。 模型訓練 通 常涉及 1.損失函數的設置、 a. 均方誤差（Mean Squared Error, MSE）： b. 交叉熵損失（Cross-Entropy Loss）： 2.優化演算法的選擇 以及 3.避免過擬合的策略。1. 損失函數2. 優化演算法 a. 批次梯度下降（Batch Gradient Descent, BGD）：b. 隨機梯度下降（Stochastic Gradient Descent, SGD）： c. Adam（Adaptive Moment Estimation）演算法：3.. 過擬合的防範  Regularization： Early Stopping： Data Augmentation：

 

2025 08 04 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師 模型訓練 是 機器學習過程 的 核心階段，其目標是透過學習 輸入特徵 與 輸出結 果 之間的 映射關係，找出最優的模型參數。 模型訓練 通 常涉及 1.損失函數的設置、 a. 均方誤差（Mean Squared Error, MSE）： b. 交叉熵損失（Cross-Entropy Loss）： 2.優化演算法的選擇 以及 3.避免過擬合的策略。1. 損失函數2. 優化演算法 a. 批次梯度下降（Batch Gradient Descent, BGD）：b. 隨機梯度下降（Stochastic Gradient Descent, SGD）： c. Adam（Adaptive Moment Estimation）演算法：3.. 過擬合的防範  Regularization： Early Stopping： Data Augmentation：

模型訓練 

模型訓練  是  機器學習過程  的   核心階段，其目標是透過學習

輸入特徵  與  輸出結 果    之間的  映射關係，找出最優的模型參數。

模型訓練    通  常涉及

1.損失函數的設置、 

2.優化演算法的選擇以及

3.避免過擬合的策略。 

1.. 損失函數 

 損失函數（Loss Function）是一種用來衡量   模型預測值  與   實際目標    

之間差異的 函數。

透過損失函數的計算，模型可以得知   自身的損失（Loss，代表不準確度）， 

損失值越高，表示模型預測結果與實際值的誤差越大，反之則表示模型越準確。 

因此，損失函數  可以視為   評估模型好壞的指標。 

 在模型訓練過程中，系統會不斷計算損失，並

透過  優化器（Optimizer）

   a. 均方誤差（Mean Squared Error, MSE）：

用於迴歸任務，計算  預測值  與  真實值  之 間  平方誤差  的  平均值。

   b. 交叉熵損失（Cross-Entropy Loss）：

用於分類任務，衡量預測概率分佈與真實分 佈之間的差異。 

2. 優化演算法 

 模型的訓練過程  透過    優化演算法  調整參數，以最小化  損失函數的值。

最常見 的優化演算法是    梯度下降法   及其變種：

使用  梯度下降（Gradient Descent）

等方法來最小化損失，藉此降低模型的誤差，以達 到最佳化的目的。

常見的損失函數包括：

 a. 批次梯度下降（Batch Gradient Descent, BGD）：

     基於整個  數據集   計算    損失函數 的梯度    並   更新參數。 

 b. 隨機梯度下降（Stochastic Gradient Descent, SGD）：

    每次迭代僅使用一個樣本來 更新參數，速度較快但收斂不穩定。 

 c. Adam（Adaptive Moment Estimation）演算法：

     結合了  動量法   和 RMSProp，能夠 自適應學習率，是目前最廣泛使用的

      優化方法之一。

3.. 過擬合的防範 

     過擬合是模型在訓練數據上表現優異，但在測試數據上   表現不佳的現象。

     為 了避免過擬合，通常採用以下策略： 

  Regularization：

        在損失函數中添加懲罰項，如L1和 L2正則化。 

  Early Stopping：

        當模型在驗證集上的表現開始下降時，停止訓練。 

  Data Augmentation：

      透過   隨機旋轉、翻轉等方式   擴展  訓練數據集，提升模型的   泛 化能力。

2025 07 31 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 金融業運用人工智慧(AI)指引 一、 人工智慧(AI)相關定義 (一) AI 系統定義： (二)生成式 AI 定義：二、AI系統生命週期 主要包括以下4個階段：(一) 系統規劃及設計： (二) 資料蒐集及輸入：(三)模型建立及驗證： (四)系統佈署及監控：

 

2025 07 31 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 金融業運用人工智慧(AI)指引 一、 人工智慧(AI)相關定義 (一) AI 系統定義： (二)生成式 AI 定義：二、AI系統生命週期 主要包括以下4個階段：(一) 系統規劃及設計： (二) 資料蒐集及輸入：(三)模型建立及驗證： (四)系統佈署及監控：

金融業運用人工智慧(AI)指引

一、 人工智慧(AI)相關定義

   (一) AI 系統定義：

   係指  透過大量   資料學習，利用    機器學習   或  相關建立模型  之  演算法，進行

      1.感知、

      2.預測、

      3.決策、

      4.規劃、

      5.推理、

      6.溝通

   等模 仿人類   學習、思考  及 反應    模式   之  系統。

    (二)生成式 AI 定義：

      係指可以生成   模擬  人類智慧    創造之內容   的   相關 AI 系統，其內容形式

     包括但不限於

      1.文章、

      2.圖像、

      3.音訊、

      4.影片及

      5.程 式碼等。 

二、AI系統生命週期 

   AI 系統的  生命週期   主要包括以下4個階段：

  (一) 系統規劃及設計：

   設定   明確的  系統   目標  及  需求。

 (二) 資料蒐集及輸入：

    資料   蒐集、處理  並  輸入  資料庫   之階段。 

 (三)模型建立及驗證：

      選擇  與  建立    模型演算法  及  訓練模型，並  對模型 進行驗證

      以  確保  模型    效能、安全性  與  機密性。 

 (四)系統佈署及監控：

      將系統應用於實際環境中，且  關注模型   是否已 完備，並  持續監控   

     以確認系統所帶來之  潛在影響。 

      金 融機構運用AI系統，可能為自行研發3並使用，因此包含上述4階 段。

      金融機構亦可能委託第三方業者研發或購入AI系統後，再佈署 該系統並監控，

      因此金融機構  不盡然均會   經歷上開4階段。

      金融機構 運用AI系統時宜辨識4個階段中可自行監控風險之程度，並得對自 身

     較無控制權的部分或事項，透過契約或其他方式與合作廠商

      明訂風 險監控責任之分工。

       為簡化文字，本指引以

    「導入(introduce)」AI，表 示   前述(一)、(二)及(三) 3階段，

     以

     「使用(use)」AI      表達第(四)階段。 

至本指引之「運用(apply)」AI則   係  整體性概念，包含上述4階段。

2025 07 28 左永安 顧問/講師/委員/ TTQS 人才發展品質管理系統 Talent Quality-management System 三類專業人員 左永安顧問/講師 您好：感謝您參加 114年TTQS三類專業人員回流訓練課程。 課程名稱：組織分析與發展 講師：**** 日期：114年07月29日（星期二） 時間：09:30～16:30（報到時間：09:20～09:30）TTQS 人才發展品質管理系統 Talent Quality-management System 若想要追求金牌 國立臺灣大學 臺灣師範大學 EMBA 找左永安顧問輔導 AI-ESG- PMP- HRD- ICAP- IPAS 人力資源管理 專案管理 品牌管理 策略管理 關鍵就業力 共通核心職能 師資 左記歐洲商行 安永經營管理顧問

 

2025 07 28 左永安 顧問/講師/委員/ TTQS 人才發展品質管理系統 Talent Quality-management System 三類專業人員 左永安顧問/講師 您好：感謝您參加 114年TTQS三類專業人員回流訓練課程。 課程名稱：組織分析與發展 講師：**** 日期：114年07月29日（星期二） 時間：09:30～16:30（報到時間：09:20～09:30）TTQS 人才發展品質管理系統 Talent Quality-management System 若想要追求金牌 國立臺灣大學 臺灣師範大學 EMBA 找左永安顧問輔導 AI-ESG- PMP- HRD- ICAP- IPAS 人力資源管理 專案管理 品牌管理 策略管理 關鍵就業力 共通核心職能 師資 左記歐洲商行 安永經營管理顧問

 三類專業人員 左永安顧問/講師 您好：

感謝您參加 114年TTQS三類專業人員回流訓練課程。              

課程名稱：組織分析與發展

講師：****

日期：114年07月29日（星期二）

時間：09:30～16:30（報到時間：09:20～09:30）

2025 07 27 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 機器學習演算法大致上也可分為 4 種類別，分別是：監督式學習、非監督式學習、半監督式學習、強化式學習 TTQS 人才發展品質管理系統 Talent Quality-management System 若想要追求金牌 國立臺灣大學 臺灣師範大學 EMBA 找左永安顧問輔導 AI-ESG- PMP- HRD- ICAP- IPAS 人力資源管理 專案管理 品牌管理 策略管理 關鍵就業力 共通核心職能 師資 左記歐洲商行 安永經營管理顧問

 

2025 07 27 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 機器學習演算法大致上也可分為 4 種類別，分別是：監督式學習、非監督式學習、半監督式學習、強化式學習 TTQS 人才發展品質管理系統 Talent Quality-management System 若想要追求金牌 國立臺灣大學 臺灣師範大學 EMBA 找左永安顧問輔導 AI-ESG- PMP- HRD- ICAP- IPAS 人力資源管理 專案管理 品牌管理 策略管理 關鍵就業力 共通核心職能 師資 左記歐洲商行 安永經營管理顧問

 4 大機器學習模型

機器學習演算法大致上也可分為 4 種類別，

分別是：

   1.監督式學習、

   2.非監督式學習、

   3.半監督式學習、

   4.強化式學習。

【監督式學習】

定義： 學習模型    使用  有標籤   的  訓練數據，其中每個輸入樣本

            都有    相應的   目標輸出。

特色： 模型   根據已知  的  輸 入 和 輸 出   示例進行訓練，

            以預測   未知數據  的   輸出。

            監督式學習   適用於   分類 和 回歸  等任務。

            監督式學習的優點是   學習效果   通常    比較好，因為

            模型有明確的目標值可以參考。

            但是，監督式學習  也需要大量的  標註資料，這可能會比較  耗 時 和 昂貴。

【非監督式學習】

定義： 學習模型  使用   無標籤的   訓練數據，沒有預先定義   的   目標輸出。

特色： 模型探索數據的內在結構，通常用於集群分析、降維和異常檢測等任務。

            非監督式學習  不需要   預先標記  的  輸出。

            非監督式學習  的優點  是不需要 標註資料，因此可以節省人力和時間。

            但是，非監督式學習的 學習效果 通常不如 監督式學習，因為模型沒有

            明確的目標值可以參考。

【半監督式學習】

定義： 結合  監督  和  非監督式   學習的元素，模型使用

            既有標籤  的數據   和   沒有標籤 的  數據  進行訓練。

特色：  這種方法  利用 未標記數據   來 增強 模型的性能，尤其在標記數據有限

             的情況下。半監督式學習 可以提高  模型的  泛化能力，

              通常比   監督式學習  或  非監督式學習  的   學習效果更好。

【強化式學習】

定義：  學習模型  透過  與環境的    交互學習，從而  最大化某種累積 的回報，

             是一種   基於  獎勵 和  懲罰    來學習的   機器學習方法。

             在強化式學習中，機器學習模型   透過不斷   嘗試 和探索，

              來 找到   能夠   獲得最大獎勵   的  行為。

特色： 模型透過   在環境中執行動作   來學習，並根據   反饋   調整其策略。

            強化式學習   常用於處理   需要做出    一系列決策  的  問題，

             如遊戲、機器人控制  等。

            但是，強化式學習的  學習過程  通常  比較緩慢，

             需要  大量的 試驗 和 錯誤。

2025 07 24 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師 鑑別式 AI：定義與運作原理 鑑別式AI發展歷程久遠，擁有眾多成 熟的 機器學習 演算法 與技術，包括: 決策樹 (Decision Tree)– 隨機森林 (RandomForest)–類神經網路 (Artificial neural network)–

 

2025 07 24 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師 鑑別式 AI：定義與運作原理 鑑別式AI發展歷程久遠，擁有眾多成 熟的 機器學習 演算法 與技術，包括: 決策樹 (Decision Tree)– 隨機森林 (RandomForest)–類神經網路 (Artificial neural network)–

 鑑別式AI

旨在  區分  不同  類別  或  預測  輸出   標 籤(label)。

模型   透過大量   已標註資料   學習    輸入    與   目標  之間的   對應關係，

以在給定    新 輸入 X時  預測  其   標籤。

• 訓練時以 (X, Y) 標註資料為基礎，優化出 可將  不同類別資料  分隔 的 決策函數。 

• 例如分類器以虛線為決策邊界，將藍 色和綠色兩群資料點正確區隔開來。

• 鑑別式模型需仰賴充足且高品質  標註資料 進行  監督式學習，

  以獲得良好分類性能。 

• 在製造業中，鑑別式 AI 常用於: 瑕疵檢測 、產品分類等，

   需要即時判定「是/否」、 「屬於哪一類別」的場景。

鑑別式AI發展歷程久遠，擁有眾多成 熟的  機器學習   演算法   與技術，包括:

 

決策樹 (Decision Tree)– 

利用   樹狀結構    根據 特徵閾值   進行  資 料 劃 分，生成易解釋的規則，

並   運 用規則   進行分類。 

隨機森林 (RandomForest)– 

隨機森林  則是   由多棵決策樹   組成的 集成學習模型(Ensemble Learning Model)，

結果   由   多數決 或  平均   決定。提升  分類準確率   並  降 低  過度配適   風險

類神經網路 (Artificial neural network)– 

多層神經網路   可學習複雜  的  非線性  關 係，用於   各類   預測  與   分類  任務。

– 其中，

卷積神經網路 (CNN) 在影像識 別中表現突出，

適用於   產品瑕疵檢測 、人臉識別   等

2025 07 19 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 敏捷行銷（agile marketing）屬於 邊做邊修 的 快思模式， 每一次 為期兩週 左右的衝 刺週期 都是一個 周而復始 的 快速循環： 1.分析資料→ 2.發掘機會 → 3.測試行銷構想→ 4.蒐集市場資料與回饋→ 5.評估結果→ 6.進行調 整

 

2025 07 19 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 敏捷行銷（agile marketing）屬於 邊做邊修 的 快思模式， 每一次 為期兩週 左右的衝 刺週期 都是一個 周而復始 的 快速循環： 1.分析資料→ 2.發掘機會 → 3.測試行銷構想→ 4.蒐集市場資料與回饋→ 5.評估結果→ 6.進行調 整

 敏捷行銷

敏捷行銷（agile marketing）是新興行銷模式。 

敏捷行銷  的  所有決策   均是以

                  使用者體驗（user experience,UX） 為  核心 考量。 

敏捷行銷  屬於  邊做邊修  的   快思模式，

每一次   為期兩週    左右的衝 刺週期   都是一個   周而復始  

的  快速循環：

1.分析資料→

2.發掘機會 →

3.測試行銷構想→

4.蒐集市場資料與回饋→

5.評估結果→

6.進行調 整

2025 07 17 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師 AI資料處理的核心流程包含以下四個關鍵步驟： 資料收集 (Data Collection) 資料清理 (Data Cleaning) 資料分析 (Data Analysis) 資料呈現 (Data Presentation)監督學習 (Supervised Learning)： 基於 標籤數據 訓練模型，用於 預測（回歸）或 分類（如邏輯回歸、神經網路）。 無監督學習 (Unsupervised Learning)： 在 無標籤數據上 發現模式，如k-means聚類（分組相似客戶）或 主成分分析（PCA）。

 

2025 07 17 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師 AI資料處理的核心流程包含以下四個關鍵步驟： 資料收集 (Data Collection) 資料清理 (Data Cleaning) 資料分析 (Data Analysis) 資料呈現 (Data Presentation)監督學習 (Supervised Learning)： 基於 標籤數據 訓練模型，用於 預測（回歸）或 分類（如邏輯回歸、神經網路）。 無監督學習 (Unsupervised Learning)： 在 無標籤數據上 發現模式，如k-means聚類（分組相似客戶）或 主成分分析（PCA）。

 

2025 07 17 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師 AI資料處理的核心流程包含以下四個關鍵步驟： 資料收集 (Data Collection) 資料清理 (Data Cleaning) 資料分析 (Data Analysis) 資料呈現 (Data Presentation)監督學習 (Supervised Learning)： 基於 標籤數據 訓練模型，用於 預測（回歸）或 分類（如邏輯回歸、神經網路）。 無監督學習 (Unsupervised Learning)： 在 無標籤數據上 發現模式，如k-means聚類（分組相似客戶）或 主成分分析（PCA）。

AI資料處理的核心流程包含以下四個關鍵步驟： 資料收集 (Data Collection)

資料清理 (Data Cleaning)

資料分析 (Data Analysis)

資料呈現 (Data Presentation)

探索式資料分析 (EDA)

探索式資料分析 (EDA) 是一套包含 資 料 視 覺 化 及 統計知識 和

技術的 數據分析方法，主要目的是 從各個面向 探索數據，

找出 解決問題 的 線索 並進一步 確認問題 及 解決方法。

數據標準化與歸一化：

標準化 (Standardization)：

將數據調整為 零均值 和 單位方差（Z-Score），

適用於 對距離 敏感 的算法。

歸一化 (Normalization)：

將數據 縮放至固定範圍（通常為[0,1]），適用於 神經網絡。

處理類別數據：

標籤編碼 (Label Encoding)：

將 每個 類別 映射 為 數字，適用於 有序類別。

獨熱編碼 (One-Hot Encoding)：

將 每個 類別 轉換 為 二進位向量，適用於 無序類別。

特徵工程 (Feature Engineering)：

特徵選擇：選擇 對 預測 最有影響的 變數（如卡方檢驗、相關性分析）。

特徵創建：從 現有數據 創建 新特徵，以提升模型表現（如 從日期 生成 星期幾）。

特徵縮放與轉換：對數據 進行變換（如對數轉換），使其更適合模型。

Reddit討論串的普遍共識是，特徵工程 和 預處理 是高度領域相關的，

「預處理根據你是在做電腦視覺、自然語言處理、金融時間序列

還是通用數據科學，差異非常、非常大。」，

並沒有一個「萬能公式是每次都有效的」。

監督學習 (Supervised Learning)：

基於 標籤數據 訓練模型，用於 預測（回歸）或

分類（如邏輯回歸、神經網路）。

無監督學習 (Unsupervised Learning)：

在 無標籤數據上 發現模式，如k-means聚類（分組相似客戶）或

主成分分析（PCA）。