Weitere ähnliche Inhalte
Ähnlich wie 2019/8/10 台灣人工智慧學校演講(中研院/台北) - 彭其捷 (20)
2019/8/10 台灣人工智慧學校演講(中研院/台北) - 彭其捷
- 8. AI 市場主流資訊,主要分成四⼤大類
● 技術資訊:講 Python / Deep Learning / 統計學..etc
● 意⾒見見領袖:講 AI 的⼤大趨勢與機會
● 媒體與電影:講 AI 未來來可能帶來來的機會與風險
● 學術研究:講學術領域的技術突破
獲取資訊後,實際導入專案⼜又會有⼀一番體悟,⽽而我覺得市⾯面上
較少管理理者/經理理⼈人的實務經驗分享,因此決定了了今天的主題
- 11. 相關教學 / 演講 / 經歷
11
● 清華⼤大學:AI 與體驗設計講師
● 台灣⼤大學:⼤大數據與視覺化講師
● 國泰集團:資料視覺化 UX 設計 - 企業內訓講師
● 科智公司:資料視覺化 - 企業內訓講師
● 2017 資料科學年年會:資料視覺化主題 Speaker
● KKDAY:Tableau 視覺化軟體 - 企業內訓講師
● 台灣鐵路路局:新興科技與 UX - 企業內訓講師
● 中原⼤大學:前端⼯工程與RWD設計 - 課程講師
● 東吳⼤大學:EMBA 科技與群眾募資課程講師
● ⽟玉⼭山科技論壇:團隊對談講師
● 交通部:跨多單位體驗設計講師
● 資策會:創新樂活服務設計⼯工作坊 - 主導講師
● 環保署:跨單位服務設計講師
● 天地⼈人:資料視覺化課程講師
● YOTTA:設計思考課程講師
- 23. 全國測站建模數據(透過 2007 ~ 2016 超過 500 萬筆訓練資料)
環保署 國家級測站資料,單⼀一測站每天每⼩小時的資料
累積 10 年年,總共超過 600 萬 筆資料進⾏行行運算
使⽤用資料
- 32. 經理理⼈人:可投資⼯工程師 10% 的時間,先掌握 AI 技術概念念
1% 3% 100%
理理解基
礎概念念
理理解運
算原理理
與參參數
了了解⽅方法
特性與適
⽤用性
能夠實作算法、修改
程式碼並進反覆實驗
10%
專案經理理⼈人 AI ⼯工程師
投資時
間比例例
- 34. More is Better:經理理⼈人技術深化的⽅方法
● 先了了解特定的⼤大分類(不要想說什什麼都學)
● google ⼤大神就很多好⽤用知識
● 上線上課程(因為講的好很重要)
● 與⼯工程師更更多互動,打破砂鍋問到底
● 透過相關論⽂文學習(也可專注看 Abstract /
Summary 的說明)
- 35. 範例例:信⽤用卡詐欺 AI 專案(Google Search)
為了了避免這些狀狀況,⼈人⼯工智慧利利⽤用使⽤用者過去消費紀錄,
進⾏行行刷卡⾦金金額、店舖特性等的分析,甚⾄至拿已確認的詐騙
紀錄作為樣本,如此更更能準確地辨識出盜刷的消費紀錄,
也提升整體作業的效率。
舉例例來來說:銀⾏行行統計客⼾戶⼩小美過去只會使⽤用信⽤用卡做⽇日常
⽤用品的消費,然⽽而某天這張信⽤用卡卻被使⽤用在⾼高級珠寶
店,銀⾏行行就可容易易地判定這筆交易易有盜刷的嫌疑,因⽽而向
⼩小美與店家進⾏行行多重確認。
https://scitechvista.nat.gov.tw/c/sTkv.htm
- 37. 範例例:信⽤用卡詐欺 AI 專案(Online Learning)
https://www.udemy.com/topic/fraud-analytics/
許多 AI 技術都有
基礎線上課程可以
上,可以在短時間
⾼高效學習
- 48. 訪問領域專家:來來取得數據特徵
根據:空污歷史數據,納入前 30 ⼩小時狀狀態進⾏行行建模
前 30 ⼩小時、前 29 ⼩小時、前 28 ⼩小時 ….
… 前 3 ⼩小時、前 2 ⼩小時、前 1 ⼩小時
可將⽩白天晚上週期影響納入考量量
根據:天氣歷史數據,納入 13 ⼩小時單位進⾏行行建模
風速:前 13 ⼩小時、前 12 ⼩小時 …. 、前 1 ⼩小時
風向:前 13 ⼩小時、前 12 ⼩小時 …. 、前 1 ⼩小時
溫度:前 13 ⼩小時、前 12 ⼩小時 …. 、前 1 ⼩小時
降雨:前 13 ⼩小時、前 12 ⼩小時 …. 、前 1 ⼩小時
考慮連續的歷史氣象特徵變化
納入:未來來12⼩小時天氣
納入:未來來 12 ⼩小時的天氣狀狀況,比對過去的歷史數據,進
⾏行行污染的預設
AQI
70
AQI
33
AQI
12
- 66. 通常⼯工程師的產出:是序列列化的數值(2/2)
空氣品質:預測 17:00 之後的數值
{"station": "u53e4u4ead", "datetime": "2018-09-20 16:00:00", "pred_1": 39.72, "pred_2": 42.9, "pred_3": 40.14,
"pred_4": 39.45, "pred_5": 39.42, "pred_6": 35.49, "pred_7": 36.38, "pred_8": 34.85, "pred_9": 31.99, "pred_10":
30.96, "pred_11": 27.22, "pred_12": 28.12, "pred_13": 25.57, "aqi_12hr_4hr_avg_1": 112.0, "aqi_12hr_4hr_avg_2":
112.0, "aqi_12hr_4hr_avg_3": 103.0, "aqi_12hr_4hr_avg_4": 107.0, "aqi_12hr_4hr_avg_5": 110.0,
"aqi_12hr_4hr_avg_6": 110.0, "aqi_12hr_4hr_avg_7": 110.0, "aqi_12hr_4hr_avg_8": 109.0, "aqi_12hr_4hr_avg_9":
105.0, "aqi_12hr_4hr_avg_10": 102.0, "aqi_12hr_4hr_avg_11": 96.0, "aqi_12hr_4hr_avg_12": 93.0,
"aqi_12hr_4hr_avg_13": 90.0, "error_bound_t4": 8.54762, "error_bound_t7": 11.756, "error_bound_t8": 12.9405,
"error_bound_t12": 16.0833, "error_bound_t6": 10.7738, "error_bound_t9": 13.6905, "error_bound_t5": 9.625,
"error_bound_t13": 16.6964, "error_bound_t10": 14.5774, "error_bound_t1": 0.434524, "error_bound_t3": 6.36905,
"error_bound_t2": 1.125, "error_bound_t11": 15.3095, "pollute_6": "PM2.5", "pollute_10": "PM2.5", "pollute_12":
"PM2.5", "pollute_11": "PM2.5", "pollute_3": "PM2.5", "pollute_4": "PM2.5", "pollute_1": "O3", "pollute_7": "PM2.5",
"pollute_9": "PM2.5", "pollute_2": "O3", "pollute_5": "PM2.5", "pollute_8": "PM2.5", "pollute_13": "PM2.5"}
"
- 83. 有問題也可與我聯聯絡 / 加入我的 FB / Email 給我
Ps. 如果有加入 FB 記得告訴我你是來來上課的⼈人
THE END
foxfirejack@gmail.com