104學習精靈

將教授大數據分析的能力，介紹資料探勘(Data Mining)的演算邏輯，並且教授套裝軟體的操作。授課講師將在眾多的大數據分析演算法裡，教授目前業界最實用的分類法(Classification)，並使用其中最符合人類感知的決策樹(Decision Tree)，來解構相關人力資源的問題。此部分也將以企業的真實個案，來詳細分析員工的績效考核、PIP 因素。另外，也分析在職/離職詳細原因為何，提供人力資源管理者，進行可執行的方案，實際地解決問題。此部分的工具，將採用SPSS Clementine (Trial)的視覺化拖拉套裝軟體(毋須寫程式)，來進行教學。在大數據管理中，本課程將教學企業的數據策略，以及KPI 與數據分析的正確連結，並且也說明大數據執行前的邏輯思維。 　　初步瞭解，請參考講師撰寫於「哈佛商業評論」的文章，網址為：https://www.hbrtaiwan.com/article_content_AR0009753.html。 　　以上的授課內容當中，我們也會使用到生成式AI 的工具，讓它們成為我們的得力小幫手，說明如何運用它們，使我們可以更節省時間且更有效率，但卻不失去甚至更佳的產出品質，於我們大數據分析與管理工作上，達到人類與AI 一起合作共好的未來工作新模式。　　在大數據、人工智慧與Web 3.0的浪潮下，有效地運用數據與商業分析，儼然成為管理者所應具備的關鍵能力之一。目前有太多的資料分析演算法及數據分析工具可供企業運用，然而大部分非計量與演算背景的管理者，對於如何運用這些數位資源，普遍不太能有效地管理與創造其數據價值，也缺少了應有的數據策略與管理思維。 　　因應企業數位轉型的需求，針對企業人力資源與其他功能的管理者，本課程將教授大數據的兩項重要課題，第一個是大數據分析的能力，包含資料探勘(Data Mining)的演算邏輯及套裝軟體操作，第二個是大數據的管理思維。於前者，管理者能夠藉由認識大數據的演算，瞭解其背後的運作原理，如此可以有效地來解構自己在職場上的問題，找尋合適的演算法與工具，來進行數據分析。於後者，目前幾乎沒有課程探討大數據的管理哲學，但卻是擔任企業數據管理者，所必備之能力。 　　然而，因應生成式AI 的到來，未來人類的工作、學習與生活模式，將因此而大幅改變，我們如何運用ChatGPT、GPT 4.0、Canva、Stable Diffusion…等AI 生成式工具，來幫助我們在大數據分析與管理的工作上，更有效率與更佳的產出品質，也是本課程要教授的重點。

AI即未來！各大產業離不開機器學習，人工智慧如火如荼發展，整個產業勢必向智慧化靠攏， AI人才需求也倍數增長！iPAS產業人才能力鑑定是經濟部為充裕產業升級所需人才， 整合產官學研所建立的鑑定體制。有專業能力認證，更容易獲得企業優先面試/聘用及加薪之機會。艾鍗學院授課講師皆取得iPAS認證，章章精彩、片刻不冷場，帶給學員最實戰的應試指南，打穩機器學習工程師的基本功！ 學習目標 1. 帶你了解機器學習產業發展趨勢及應用方向 2. 養成資料特徵與資料預處理能力，並能運用探索式資料分析(EDA)，洞悉數據關聯性。 3. 教你機器學習和深度學習的專業術語與觀念，並能了解其背後的意義及數學意義。 4. 漸進式熟悉機器學習演算法與模型建立流程，後續模型訓練成效之驗證。 5. 從提供之iPAS樣題詳細解析中，了解更多觀念與實作技巧 章節架構 初級 Part 1. 機器學習觀念打底 Section A：資料處理分析與特徵選擇 1. 人工智慧與機器學習簡介 2. 機器學習如何進行學習 3. 資料與特徵 4. 機器學習建立模型的流程 5. 探索式資料分析(EDA)與資料預處理方法 6. 如何挑選好的特徵? Feature Selection v.s. Feature Extraction Section B：監督式機器學習演算法 1. 迴歸模型: 線性迴歸▼ iPAS ML linear regression Ridge v.s. Lasso 線性迴歸 評估迴歸模型的性能指標 2. 分類模型: Logistic Regression 演算法 KNN 演算法 決策樹演算法 SVM 演算法與數學原理 評估分類模型的性能指標 3. Ensemble Method Random Forest隨機森林 Adaboost Section C：非監督式機器學習演算法 1. 降維: PCA 演算法▼ iPAS ML The Algorithm of PCA c 2. Clustering: K-means 演算法 Hierarchical Method 演算法 3. 強化學習 強化學習的架構 Q-learning 演算法 Section D：深度學習 1. 深度學習技術簡介 2. 類神經網路運算模型原理 3. 深度學習建立模型的流程 4. 深度學習框架TensorFlow/Keras 程式架構說明 5. 其他網路結構簡介：RNN/LSTM、CNN Part 2. Python實作機器學習 1. 資料處理工具: Numpy、Pandas▼ iPAS ML Pandas 2. 視覺化工具: Matplotlib▼ iPAS ML Matplotlib c 3. 機器學習工具:Scikit-learn 4. 迴歸模型實作 y=f(x) 的函式預測 價格預測模型 5. 鳶尾花花卉分類與探討▼ iPAS ML iris 使用Logistic Regression 使用KNN 使用Decision Tree▼ iPAS ML Decision Tree 使用SVM▼ iPAS ML SVM 使用Random Forest 使用Adaboost 6.PCA 降維使用Scikit-learn▼ iPAS ML PCA降維使用Scikit learn 7.K-means分群使用Scikit-learn▼ K means分群使用Scikit 8.Hierarchical方法分群使用Scikit-learn▼ iPAS ML Hierarchical Scikit learn 9.強化學習-找寶藏地圖實作解析▼ iPAS ML Reinforcement learning iPAS ML Q learning value function Part 3. iPAS機器學習工程師範例試題詳解

由 Power Platform 基礎知識入門，加以實作案例協助學員了解各項主要元件的功能應用，從建立虛擬助理到自動化繁瑣的任務，再結合自定義應用程式到視覺化數據報表，使學員能夠輕鬆地在工作團隊中共享資訊以及提高作業效率和協作能力，帶入認證考試的知識點 ，以利學員原地考照微軟 PL-900 國際認證