分享王老師 #人工智慧 技術，以德州撲克牌遊戲為例，用完整的貝氏決策分析( #AlphaGO )告訴你如何提高遊戲中的勝率與影響因素。

第三集 Sendvid:
https://sendvid.com/x1pnodrl

撲克牌遊戲對戰教育遊戲軟體
三種模式看到不同人數、局數下，玩家勝率如何與變化
免費下載 https://tinyurl.com/TexaspokerAI
你會聽到美國大學已經有德州撲克牌的人工智慧，但沒有釋出軟體
此軟體有三種模式，適合學習者了解與學習

撲克牌遊戲對戰教育遊戲軟體介紹影片
https://youtu.be/jox7e0scV4k

用想法或經驗說誰會當選，是個人意見，各說各話

用客觀數據提前證明台灣2024總統大選花落誰家 2023年9月14日影片已經提前用民調數字加適合的統計模式告訴所有人誰確定當選2024總統
youtu.be/3Jnseqt6QJk

上圖證明去年已知道賴清德最後得到的選票支持率(40.1%)

趕緊來學習這些方法，提早獲得關鍵資訊

#民調 #統計 #模擬 #機率

AI數據分析軟體教學影片
操作功能: 功能4 - 全由AI決定，為數據找到最精準的多線段直線模型趨勢
影片: https://youtu.be/nVoFaJuwf0c
特色:
🟡功能4是「AI數據分析人才認證」的實作必備功能！
🟡功能1中只要設定全部數據一起跑，就是傳統迴歸分析
🟡軟體的其他功能是前所未見
🟡除了時間與數據的資料，還能兩組數據資料了解精準的關聯

在公司中從事數據分析人員，光是時間走勢的數據該如何為它們找出精準的趨勢呢?試試AI數據分析軟體就能發現更多的關鍵趨勢資訊

從大數據發展歷程
發現原本的大數據
隨時間慢慢包山包海
https://youtu.be/Kmua8RnYS48?si=-rvK0ScPJCi7pGHR

大數據的原始意義

🔷追蹤觀察數據狀況
🧩沒有統計意義

大數據後來的意義

🔷 加入「分析」方法
🧩有統計意義

大數據之後：
併入AI

數據指標在大數據分析的過程中，最在意兩件事：關聯性與預測性

專家與權威不管走哪條路，就希望搞定數據間的關聯，以及能夠做預測！

那麼什麼叫作預測？
所謂預測一詞是用於「未知」的數據可以找出其對應關聯的另一數據。

⭐預測分為兩種

1. 不在歷史數據範圍內的預測
2. 在歷史數據範圍內的預測

☑️第一種的預測案例
例如，2024年2月5日台股封關，再次開盤的2024年2月15日台股會收盤在哪個位置，這叫做預測！

在歷史數據上得到的規律，並沒有出現過2月15日，並且2月15日是未來，有未知且不確定的結果！

☑️第二種的預測案例
今天發生了某個數值，剛好落在既有的數據範圍內，例如分類的項目已經是閉集合，不會再增加新的項目。

我們能根據已經發生的結果對照到分類的項目，再由此分類項目對照到最常發生的下一個項目

⭐兩種預測的差異：風險不同

很多人都把這兩種搞混，認為是一樣的！其實第一種的風險遠高於第二種！

用chatGPT 來說，如果你問了一個很大眾化的問題，chatGPT 的數據庫早已堆滿了各種正確答案，所以它給的回答，你會相對滿意。

但如果你問了個天馬行空的問題，或者相對專業點的問題，它會胡亂填充內容，整個段落看似正常，很可能邏輯不通或用錯內容。像是劉文正烏龍死訊，記者想寫悼文化的新聞稿，chatGPT 卻張冠李戴，把費玉清的歌曲安在劉文正的成名歌曲內。

所以你詢問一個未知的問題，或是數據之間的關聯性建構不夠完善，就沒辦法有效給予正確的回應，只會是有百分比的正確率回應！

網上有人對openAI 的sora模型 - 擴散變壓器(轉換器)模型 - 進行詳細的說明。

從數據分析角度來看，影片以幀率 - 一秒30張靜態圖片，並對圖片的人物、背景物件做文字標記。

30張靜態圖片依照排序可以根據特定的文字標記產生精準數學模型。

每秒內的圖片設定為一群，每群有代號。從第一秒的圖群到第60秒的圖群，依秒排序產生特定文字標記的精準數學模型。

這個方法稱為「AI實驗設計」在2023年已經公布‼️

數學模型的好處是能有效反映影片畫面前後的因果關係。

「AI實驗設計」是「AI數據分析 - MathAI for numerical modelling 中，較為複雜的曲線化線性的多線段模型！

比較特別的是，實驗設計觀念是以各組的平均數為集中趨勢，在AI數據分析中，還能改為以中位數為集中趨勢，對排序後的中位數建立精準的數學模型！

例如，手部動作在不同秒數下的中位數位置(圖片格子的位置)不同。右手舉起到到過頭頂，揮動右手先往左擺再往右擺。

這樣產生的手部動作中位數排序規律數學模型就完成了。

目前看到的prompt沒有描述那麼細節。未來或許有人吹毛求疵，對每個動作，認人物表情的細節都描述客觀且清楚，那麼openAI每幀內的文字標記就得愈詳細(訓練樣本)，才能有效反饋到使用者的描述情節上。

#應用 如何使用 #AI數據分析 發現美股的變化呢？

第一個是美國製造業新訂單金額趨勢圖

美東時間2024年3月5日美股下跌404點。在盤中交易期間，公布製造業新訂單金額外，也發生48個網路平台當機事件。

前者是例行公布，有跡可循；後者是意外(也就是隨機事件)。因此，我們從中或許能推論出美國製造業訂單下降速度之快，帶來了美國經濟可能不佳的訊號，讓在一片歡聲上漲的美股受到一次打擊。

【高端AI技術系列】AI驗證中央極限定理 (機率密度函數的n次方型態)
https://t.co/itF2H8gZ3e 常態分配與科西分配
https://t.co/ldX2pjnAIC cosine分配與羅吉斯分配
https://t.co/RdUdP6r2Q4 hyperbolic secant分配與Gamma分配
https://t.co/TKWPGdfsTa 一般羅吉斯型III分配與雷利夫分配
https://t.co/Y7j0WDMHrD 半圓分配與一般羅吉斯型I分配
https://t.co/7QZWXs7NAf 貝它分配與極值分配
https://t.co/Z8aLuZ23Ks 韋伯分配與Frechent分配
https://t.co/qfuVpw7ayB log羅吉斯分配與LEVY分配
https://t.co/VV8NF4WUtc
https://t.co/GNVhrNxhgd 指數分配與雙倍指數分配
https://t.co/2Es4HNeY4m 機率密度函數的n次方轉換到常態分配，算n
https://t.co/UzVMAglNYJ 多變量轉換
https://t.co/7O5l7gftYa 樣本平均與樣本中位數的聯合機率密度函數
https://t.co/ZVVWHoygRW 樣本標準差與樣本平均絕對離差的聯合機率密度函數
https://t.co/C0PdoNIN0F 樣本平均絕對離差/樣本標準差的機率分配
https://t.co/UoSQg7OnL6 貝氏機率分配/事後機率分配(1)
https://t.co/C0PdoNIN0F 貝氏機率分配/事後機率分配(2)
https://t.co/NkmlOTP0ul 貝氏機率分配/事後機率分配(3)
https://t.co/L3HI3yYIFB 貝氏機率分配/事後機率分配(4)
https://t.co/CFnnOEUri2 貝氏機率分配/事後機率分配(5)
https://t.co/sIskXky4up 貝氏機率分配/事後機率分配(6)貝氏點估計量
https://t.co/lLIxohlLeo 貝氏機率分配/事後機率分配(7)貝氏點估計量
https://t.co/dFyIIhPtay 貝氏機率分配/事後機率分配(8)貝氏點估計量
https://t.co/gZiN7awasX 位置參數的貝氏點估計量
https://t.co/IY14d0wZW1 位置參數的貝氏點估計量(新推斷方法)
https://t.co/fIBSriHjDR 條件機率分配的聯合貝氏分配(新模擬方法)
https://t.co/TUQJwd0I1M 兩個隨機變數的條件機率分配的聯合貝氏分配

分享
數學AI的饗宴
數學式可以轉數字，數字可以轉數學式
其中一個案例是各自的變數來自邊際機率分配為常態分配
條件機率是常態分配，但是期望值是X絕對值乘以斜率
改變斜率看X與Y的聯合機率分配變化
https://x.com/meiyulee357/status/1780117177510875548

為何我們在推動數據分析時要追求數學式結果？

網路上有人提出，人工智慧的可信度難以驗證，既沒有統計方法也沒有機率驗證法，其結果中難以標註虛假成分，這使得使用者很難對開發商進行追責。

也有人認為，目前人工智慧賽道只是一個小分支，創投項目很難做大。而主流大型語言模型正在搶奪網路搜尋市場，並非創造出藍海市場。

從AI的功能上來說，在文字等方面主要是為了提高效率，並沒有創造出大蛋糕。例如有開發商利用 AI 寫回憶錄並獲得資金，當時其他競爭公司都在畫大餅，而他們已具有複雜且細的流水線式標準作業流程。

他們提到AI只能做簡單任務，所以AI無法獨立完成複雜的任務，更像是輔助工具。這種觀點在我的演講中始終被堅持且分享。問題的關鍵可能在於模型核心，可能存在想到卻做不到的情況。畢竟在開發過程，開發商是先追求有再追求好的目標，這導致人工智慧耗能且不能完全被信任始終存在。

出現這種情況是因為開發商和學術端沒有做到位，現在要做的話只能透過時間來換取成果，但開發商願意嗎？所以這事就陷入了死胡同。目前我們掌握了數據和人工智慧核心方法與技術，卡住他們的研發無法採取行動。想要開始研發？那就用時間換取或者繼續走下去。

引文只是方法與技術的一小部分。做數據分析沒有跟數字打交道，而是跟數學符號打交道是沒辦法的。數據分析只有做出來跑出來才知道發生什麼事情。所以學習仍是無止盡的。數據分析結果不只要自己能驗證，也要能用其他軟體去驗證。當然確認沒問題後寫成自動化就是人工智慧當中的一部分了。

#颱風 路徑

2024年5月24日艾維尼颱風經緯度路徑估計

AI幫我寫 https://www.doubao.com/share/code/eb82d5c227dbb71f

我得說說，這些生成式AI都沒有這個數據分析方法，就得自行先跑。另外它們很容易將這樣的AI方法認定為一般的統計分析方法，以為分段是人為判斷。但事實是AI判斷的。

地圖上的可視化
https://www.google.com/maps/d/edit?mid=1ieLDQWIAFAo529UOyO3-aBQsYBGyB_A&usp=sharing

如果你將模擬數據，fit出函數，並且函數與數據的殘差分布找到，其實可以不用那麼麻煩的去逼近。以大數據分析方法基礎，自變數轉換方式，確實可以fit出來。

https://www.threads.com/@lky_exercise/post/DMNy-FAT-F2?xmt=AQF0m_uARhR3eNLZ7S4zKoIbMkm47hmh42P5vWufsOMskQ

終於集大成的 #統計學習 人工智慧數據分析方法，讓數據自己說話，超越傳統AI的數據分析方法，真正從數據本質出發打造精確統計模型，解決通用模型無法捕捉真實數據規律的難題，通過自動化建模過程揭示隱藏的數學規律。

詳細四張圖的說明，寫在留言。之後有時間再來說大數據分析和人工智慧引入的統計學迴歸分析（或者計量經濟學）中，自變量選擇問題的做法，打破過去所學的一切！

這將是最終集成的軟體功能版本。想訂閱使用功能的朋友，可以聯繫: prsimulated@gmail.com

適合：
教學用
自學人工智慧下的數據分析
寫論文
寫分析報告

#統計學習 建模技術
應用在美國通貨膨脹率(CPI年增率)

數據期間：1948年1月到2025年7月