2025年9月9日 星期二

2025 09 09 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 對VUCA時代的應對 1.提升 學習力 和 彈性: 2.培養 思辨 與 洞察力: 3.強調 溝通 與 合作: 4.保持 警惕 與 應變: 隨時 保持警戒, 對突發事件保持敏感性,並制定應對計劃, 展現領導者的彈性。 個體到團隊:始於個人潛力,終於團隊效能。。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 09 09 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 對VUCA時代的應對 1.提升 學習力 和 彈性: 2.培養 思辨 與 洞察力: 3.強調 溝通 與 合作: 4.保持 警惕 與 應變: 隨時 保持警戒, 對突發事件保持敏感性,並制定應對計劃, 展現領導者的彈性。 個體到團隊:始於個人潛力,終於團隊效能。。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

個體到團隊:始於  個人潛力,終於  團隊效能



VUCA時代  是指

      1.「易變性」(Volatility)

      2.「不確定性」(Uncertainty)

      3.「複雜性」(Complexity)

      4.「模糊性」(Ambiguity)

四個特徵所構成的環境狀態,最早源於軍事領域,

用於 形容冷戰後  的動盪世界,

後被商業領袖   用來描述  快速變遷、混亂的  商業環境。


 VUCA的四個特徵

     1.易變性(Volatility):

            指 挑戰 和 狀況  的 變化 速度快、 具備多變 的變數。 

      2.不確定性(Uncertainty):

           指事件的未來走向 難以預測現有資料 不足以精準推導

          導致 難以  迴避風險。 

     3.複雜性(Complexity):

        指環境因素  錯綜複雜、相互關聯性高,需要考量 眾多面向才能理解。 

      4.模糊性(Ambiguity):

        指  對情況  缺乏認知,對事物  處於未知  的狀態,難以做出準確判斷。 


對VUCA時代的應對

在VUCA時代組織和個人  需要培養適應變化  的 能力。 


        1.提升   學習力 和  彈性:

           不斷   學習新知增強解決問題的能力保持正向開放 心態

           來面對  新領域。 


          2.培養  思辨   與  洞察力:

            提高  邏輯思維、觀察和分析能力從混亂中  找出事物的源頭,

           找出核心問題。 


          3.強調  溝通  與  合作

            建立   清晰的  溝通管道,促進多元團隊合作

            匯集不同專長  來應對   複雜情況。 


         4.保持   警惕 與 應變

           隨時  保持警戒,   突發事件保持敏感性,並制定應對計劃

           展現領導者彈性


 

2025年9月8日 星期一

2025 09 08左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 訓練機器學習時,會運用到許多不同的機器學習演算法 大致將各種演算法分為 4 種類型: 1.監督式學習 2.非監督式學習 3.半監督式學習 4.強化式學習常見的監督式學習演算法有: 1.線性回歸法(Linear Regression) 2.隨機森林法(Random Forest) 3.單純貝氏分類器(Naive Bayes Classifier) 常見的非監督式學習演算法有: 1. K-平均算法(K-Means Cluctering) 2. 主成分分析(PCA) 3. t-分布隨機鄰近嵌入(t-SNE) 常見的半監督式學習演算法有: 1.生成式對抗網路(Generative adversarial networks) 2.自學習貝氏分類器(Self-trained Naive Bayes classifier) 常見的增強式學習演算法有: 1.Q 學習(Q-Learning) 2.蒙特卡洛學習(Monte-Carlo Learning) 3.SARSA (State–Action–Reward–State–Action)

 

2025 09 08 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 訓練機器學習時,會運用到許多不同的機器學習演算法 大致將各種演算法分為 4 種類型: 1.監督式學習 2.非監督式學習 3.半監督式學習 4.強化式學習常見的監督式學習演算法有: 1.線性回歸法(Linear Regression) 2.隨機森林法(Random Forest) 3.單純貝氏分類器(Naive Bayes Classifier) 常見的非監督式學習演算法有: 1. K-平均算法(K-Means Cluctering) 2. 主成分分析(PCA) 3. t-分布隨機鄰近嵌入(t-SNE) 常見的半監督式學習演算法有: 1.生成式對抗網路(Generative adversarial networks) 2.自學習貝氏分類器(Self-trained Naive Bayes classifier) 常見的增強式學習演算法有: 1.Q 學習(Q-Learning) 2.蒙特卡洛學習(Monte-Carlo Learning) 3.SARSA (State–Action–Reward–State–Action)

 AI vs 機器學習 vs 深度學習


AI vs ML vs DL

人工智慧     目標是 讓機器  具有  人類的智慧

機器學習     從  大量資料   中找出規則,以 達到智慧化 的 目標

深度學習     機器學習 的其中一種方法,模仿人類大腦 的 類神經網路去分析數據資料


訓練機器學習時,會運用到許多不同的機器學習演算法,

例如  線性回歸法、邏輯回歸法  等,

大致將各種演算法分為 4 種類型:

       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


(一)監督式學習(Supervised Learning)

       監督式學習定義

       提供機器大量有歷史資料、有標記標籤的「輸入」和「輸出」資料配對分類。

       例如,我們給機器多組啤酒與葡萄酒的影像,並標記出哪些是啤酒,

       哪些是葡萄酒。

       機器會學習這些資料,並找出這些影像間的共同特徵,

      以分辨啤酒與葡萄酒。

      常見的監督式學習演算法有:

              1.線性回歸法(Linear Regression)

              2.隨機森林法(Random Forest)

              3.單純貝氏分類器(Naive Bayes Classifier)

      監督式學習例子

       推薦系統就是利用監督式學習,例如 Netflix 的影集推薦

       Netflix 的推薦系統會根據用戶過去的觀看紀錄與行為,

       推薦用戶可能會喜歡的節目。


(二)非監督式學習(Unsupervised Learning)

      非監督式學習定義

       在非督導式學習模式中,輸入的資料多是 沒有標準答案、未標記與非結構化

       的資料。機器會使用  所有相關且可存取的資料  來識別  資料間的關聯性,

       並將資料分群。

     常見的非監督式學習演算法有:

         1.  K-平均算法(K-Means Cluctering)

         2.  主成分分析(PCA)

         3.  t-分布隨機鄰近嵌入(t-SNE)

       非監督式學習例子

       非監督式學習   可以解決各種商業問題,有助於企業快速探索大量資料,

       例如  銀行   用來監測交易  是否為   詐欺  或  機器人 活動  等  異常行為。


 (三)半監督式學習(Semi-supervised Learning)

         半監督式學習定義

         半監督式學習則是指,有一部分的資料有標記,另一部分則沒有。

         半監督學習會先用已標記過的資料訓練模型,之後再使用經過訓練的模型

         來標記  那些未標記的資料,直到所有資料 都被標記完成。

        常見的半監督式學習演算法有:

              1.生成式對抗網路(Generative adversarial networks)

              2.自學習貝氏分類器(Self-trained Naive Bayes classifier)

      半監督式學習應用

       半監督式學習經常應用在語音與語言分析,例如使用少量的語音數據

       來訓練模型,並利用大量的未標記語音數據來進一步學習,

       提高辨識的準確度。


(四)強化式學習(Reinforcement Learning)

          強化式學習定義

          強化式學習  也叫做 增強式學習,指機器在處理資料時,

          會像學生學習一樣,透過「獎勵和懲罰」來學習,每當它做出一個動作,

          就會得到一個「意見回饋」:如果這個動作是好的,它就得到「獎勵」,

           反之則是「懲罰」。

          透過不停的試錯,慢慢了解哪些動作是好的,哪些動作是壞的,

          最終找到最有效的處理資料路徑達到最終目標

         常見的增強式學習演算法有:

               1.Q 學習(Q-Learning)

               2.蒙特卡洛學習(Monte-Carlo Learning)

               3.SARSA (State–Action–Reward–State–Action)

         強化式學習應用

         強化式學習最知名的案例,莫過於 2014 年 Google DeepMind 開發的

         下圍棋軟體 AlphaGo。AlphaGo 一開始是使用監督式學習,

          不過由於學習與進步的速度太慢了,

          因此改使用強化式學習的方式提高棋力。




2025年9月6日 星期六

2025 09 07 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 企業人力資源提升計畫(大人提) 小型企業人力提升計畫(小人提) 共通核心職能課程 績效意識的涵義與作用 1.重視工作結果: 2.激勵員工: 3.人力資源管理依據: 工作效能的提升方法 1.專注與管理: 2.任務拆解: 3.優先級排序: 4.持續改進:

 

2025 09 07 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 企業人力資源提升計畫(大人提) 小型企業人力提升計畫(小人提) 共通核心職能課程 績效意識的涵義與作用 1.重視工作結果: 2.激勵員工: 3.人力資源管理依據: 工作效能的提升方法 1.專注與管理: 2.任務拆解: 3.優先級排序: 4.持續改進:


績效意識

 是指  個體  或 團隊   對工作   表現 與  成果重視程度,而


工作效能

則是實際完成工作  的  效率 與  品質


兩者緊密相關:


高績效意識

能驅使人們  透過  專注、高效   的  策略  和 工具

如   任務管理  和   拆解任務,以達成更高的   工作效能 和 組織目標。 


績效意識的涵義與作用

          1.重視工作結果:

                指個體或團隊認識到   工作表現  對  達成組織目標  的  重要性,

                並將成果  視為評估   工作   價值  與  貢獻  的 關鍵。 

           2.激勵員工:

                良好的績效意識 能夠  激勵員工    提升  工作動力

                  從而提高  個人 和 團隊   的 工作效率。 

            3.人力資源管理依據:

                  績效意識 是進行績效評估、並作為  員工酬賞  和未來發展  

                  依據的基礎。 



工作效能的提升方法

                1.專注與管理:

                    養成聚焦的工作習慣,避免分散注意力的行為,並

                   善用  任務管理系統   來組織工作。 

                 2.任務拆解:

                   將複雜任務拆解成小步驟,從而更容易開始並完成工作。 

             3.優先級排序:

                   辨別高價值的工作任務,並優先處理,以提高整體效率。 

             4.持續改進:

                    運用商業流程重組持續過程改進等方式,不斷優化工作流程

                    以達到更高的效益。 


績效意識如何影響工作效能

              當員工具備強烈的績效意識,他們會更主動地採取

              有助於提升 效率 和 品質的行動。

           例如,他們會更願意學習   有效的工作方法

           例如 SMART 原則來設定具體、可衡量的目標,並透過持續的績效評估

           來了解自己的優勢與不足。

            這種積極的  態度 和行為  最終會轉化為更高的工作效能,

           不僅能達成個人目標,也能為組織帶來更大的貢獻。 




2025年9月2日 星期二

2025 09 02 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 AI應用規劃師初級: L11 人工智慧基礎概論 L11201 資料基本概念與來源 下列何者不是 決策樹產生 的基本演算法? (A) ID3(Iterative Dichotomiser) (B) C4.5 (C) CART(Classification and Regression Trees) (D) 貝氏分類(Bayesian Classification)

 

2025 09 02 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 AI應用規劃師初級: L11 人工智慧基礎概論 L11201 資料基本概念與來源 下列何者不是 決策樹產生 的基本演算法? (A) ID3(Iterative Dichotomiser) (B) C4.5 (C) CART(Classification and Regression Trees) (D) 貝氏分類(Bayesian Classification)

AI應用規劃師初級: L11 人工智慧基礎概論 

 L11201 資料基本概念與來源


 41. 下列何者不是   決策樹產生  的基本演算法? 

            (A) ID3(Iterative Dichotomiser) 

            (B) C4.5 

            (C) CART(Classification and Regression Trees) 

            (D) 貝氏分類(Bayesian Classification)


 42. 關於熱切式學習(Eager Learner)與偷懶式學習(Lazy Learner),

          下列 敘述何者  不正確

          (A) 熱切式學習是先利用訓練資料建立一個判別模型,以便進行測試 

          (B) 決策樹屬於熱切式學習 

          (C) 偷懶式學習會花很多時間在事先利用訓練資料建立判斷模型 

          (D) k-最近鄰分類法(K-Nearest-Neighbor Classifiers)屬於偷懶式學習 


 43. 若希望能透過學生基本資料與參與社團資料,來預測新生會選擇的社 團,

          運用以下何種工具較為適當? 

         (A) 線性迴歸模型 

         (B) 分類模型 

         (C) 集群分析 

         (D) 探索式分析 


D 44. 關於  迴歸分析  的基本統計假設,下列敘述  何者   正確? 

         (A) 依變數和自變數之間的關係必須是線性 

         (B) 資料呈現常態分配(Normal Distribution) 

         (C) 自變數的誤差項,相互之間應該是獨立的 

         (D) 以上皆是 


45. 如果判定係數為0.8,則  依變數  能被   自變數   解釋的   變異百分比為? 

             (A) 0.8% 

             (B) 80% 

             (C) 0.64% 

             (D) 不一定 


 46.    假設在一混淆矩陣(Confusion Matrix)中,真陽性(True positive)

           為 100,假陽性(False Positive)為 50真陰性(True Negative)為 50,

           假陰性(False Negative)為 800,請問該混淆矩陣的準確度(Accuracy) 

           為? 

             (A) 0.6667 

             (B) 0.9412 

             (C) 0.15 

            (D) 0.84 


 47. 下列哪種方法  可以避免   機器學習模型   過度配適(Overfitting)? 

        (A) 選擇特徵(Feature Selection) 

        (B) 交叉驗證(Cross Validation) 

        (C) 對目標函數施加懲罰(Penalty) 

        (D) 以上皆是 


48.  假設建立一個能夠辨識汽車的模型系統,在照片資料集共有100萬張 照片,

       其中有1000張已標註汽車貼標的照片,接下來可用哪種學習方 法找出

       剩下的照片當中是否有汽車?

          (A) 監督式學習(Supervised learning) 

          (B) 非監督式學習(Unsupervised learning) 

          (C) 半監督式學習(Semi-supervised learning) 

           (D) 增強式學習(Reinforcement learning) 


49. 下列何者情況  不適合  使用邏輯迴歸(Logistic Regression)模型? 

        (A) 明天是否下雨 

        (B) 鐵達尼號乘客是否存活 

        (C) 顧客是否會購買週年慶商品 

        (D) 行動通訊用戶國際電話服務用量預測 




2025年8月26日 星期二

2025 08 26 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 企業競爭力 是指 一個 企業 在市場條件下,能夠 比競爭對手 更有效地 提供 產品 或 服務 , 從而 獲得利潤 和 自身發展 的 綜合能力。


2025 08 26 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 企業競爭力 是指 一個 企業 在市場條件下,能夠 比競爭對手 更有效地 提供 產品 或 服務 , 從而 獲得利潤 和 自身發展 的 綜合能力。


 企業競爭力

      是指    企業  在市場競爭中,通過   培育  和  整合   自身資源 與 能力

    為顧客  創造價值,並  實現 企業   自身價值  的   綜合性能力

     其   層面涵蓋

         1. 產品

         2. 制度

         3. 核心文化 

要提升 競爭力,企業可從

         1. 產品差異化

         2. 成本控制

         3. 創新能力

         4. 人才培養

         5. 品牌建設

      等面向著手,


企業競爭力的定義

    企業競爭力  是指

     一個  企業  在市場條件下,能夠 比競爭對手

     更有效地  提供  產品  或  服務    ,

     從而   獲得利潤  和  自身發展  的  綜合能力。 









2025年8月8日 星期五

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年8月7日 星期四

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    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   

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年8月4日 星期一

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    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年7月31日 星期四

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。 


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年7月28日 星期一

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年7月27日 星期日

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