這裡我要說明時間的次方不是人為識別，而是AI運算與判斷的!!!
所以這是人工智慧融入在分析方法中!!
就因為分析方法是簡單迴歸模型!!
它很簡單
它不複雜
只是運算太繁複，人需要花大量時間與精力去運算與判斷，所以才會有人工智慧!! 當然現在你也能自己慢慢算，只是別人用軟體不到一分鐘就出結果了!!
這就像海量數據在那，在沒有chatGPT出來前，你找資訊難道不是使用「搜尋」？
然後出來的海量的結果，再自己花時間慢慢篩選嗎?
後來，chatGPT還有其他AI出來了
幫你整理
幫你摘要
幫你自動化
所以「數學AI建模軟體」就是人工智慧!!這個人工智慧是讓數據自己用數學模型說話，可以告訴你數學模型的結果，告訴你更多的數據資訊!! #案例
所以這是人工智慧融入在分析方法中!!
就因為分析方法是簡單迴歸模型!!
它很簡單
它不複雜
只是運算太繁複，人需要花大量時間與精力去運算與判斷，所以才會有人工智慧!! 當然現在你也能自己慢慢算，只是別人用軟體不到一分鐘就出結果了!!
這就像海量數據在那，在沒有chatGPT出來前，你找資訊難道不是使用「搜尋」？
然後出來的海量的結果，再自己花時間慢慢篩選嗎?
後來，chatGPT還有其他AI出來了
幫你整理
幫你摘要
幫你自動化
所以「數學AI建模軟體」就是人工智慧!!這個人工智慧是讓數據自己用數學模型說話，可以告訴你數學模型的結果，告訴你更多的數據資訊!! #案例
2024年9月開始AI數據分析教學開跑！
實體課程開設在高中職和大學的選修課程。對於AI數據分析應用在時間序列資料上的內容，可以因為數據而產生分類。
例如，使用財報數據，就成為「AI財務報表分析」；使用股價，就成為「AI投資理財分析」；使用經濟數據，就成為「AI經濟分析」。
這是你在python上或其他程式軟體都不會有的功能。如果看到了，請告訴我們。軟體本身免費放在github，未經授權禁止商業使用！
從教育著手，技能傳承。原本還需要很多經驗輔助的數據分析，其實可以有更客觀且明確的訊號！
即使是高中職生，只要會看線段方向和知道斜率概念，就能開始分析數據！不需要用觀察法，還得會觀察出重點，然後還得能看圖說個「好」故事！
讓我們先從基礎的軟體使用與應用開始，再有進階課程去分析、解讀與比較！ #案例
實體課程開設在高中職和大學的選修課程。對於AI數據分析應用在時間序列資料上的內容，可以因為數據而產生分類。
例如，使用財報數據，就成為「AI財務報表分析」；使用股價，就成為「AI投資理財分析」；使用經濟數據，就成為「AI經濟分析」。
這是你在python上或其他程式軟體都不會有的功能。如果看到了，請告訴我們。軟體本身免費放在github，未經授權禁止商業使用！
從教育著手，技能傳承。原本還需要很多經驗輔助的數據分析，其實可以有更客觀且明確的訊號！
即使是高中職生，只要會看線段方向和知道斜率概念，就能開始分析數據！不需要用觀察法，還得會觀察出重點，然後還得能看圖說個「好」故事！
讓我們先從基礎的軟體使用與應用開始，再有進階課程去分析、解讀與比較！ #案例
🇹🇼未來數據模型實驗室🇹🇼
2024年9月開始AI數據分析教學開跑！ 實體課程開設在高中職和大學的選修課程。對於AI數據分析應用在時間序列資料上的內容，可以因為數據而產生分類。 例如，使用財報數據，就成為「AI財務報表分析」；使用股價，就成為「AI投資理財分析」；使用經濟數據，就成為「AI經濟分析」。 這是你在python上或其他程式軟體都不會有的功能。如果看到了，請告訴我們。軟體本身免費放在github，未經授權禁止商業使用！ 從教育著手，技能傳承。原本還需要很多經驗輔助的數據分析，其實可以有更客觀且明確的訊號！ 即使是…
2024年秋季課程已經進入尾聲
學生成果將逐一上線
人工智慧職能發展培訓隨著大數據併入人工智慧，真正了解的研發人員都知道脫胎於線性代數和作業研究等的模型被先寫入在人工智慧當中，從機器學習到強力學習再到目前推廣的持續學習。
但「科學」是求真。核心底層的模型與方法不符合「數據驅動，讓數據自己說話產生模型結果」的原則，反而是先有一套模型，然後數據導入去適配這套模型的做法，不會看到數據真實的模型樣貌。
實際上，AI數據分析方法真實面對「讓數據自己說話」的原則，各種數據適配出來的數學模型是不同的，甚至是各種的函數轉換後或者高次方函數組合。
從最根本的核心底層開始學習，理解與運用科學精神與原則，AI數據分析的學員學習到原本程式內的自動化部分是如何發生，先用人力自己訓練，並驗證，然後從中比對過去傳統知識、現行主流人工智慧與AI數據分析的差異。
雖然一學期課程不能全部學習完，只是學到14990元的基礎課程內容。但不可否認的是，學員在軟體操作和從做中學，觀察與發現一些專業知識的比對過程中，他們看到與別人不同的資訊，並且都是客觀資訊。這是他們比別人強的優勢，因為能比別人先看到人工智慧的限制與缺陷，才能改善。
雖然我們大部分都核心底層的知識理論都做了改善，反過來用人工智慧去驗證數學和統計學，但很多人並不能接受這樣，真真實實人工智慧需要的功能！這是非常遺憾的。而這些，我們讓它紮根在教學上，讓學員們可以有天發現原來他們走在前沿。縱然不是開發者，但眼界遠比開發者還高，能夠勘破其中原理和破綻，不被欺騙。
#課程
學生成果將逐一上線
人工智慧職能發展培訓隨著大數據併入人工智慧，真正了解的研發人員都知道脫胎於線性代數和作業研究等的模型被先寫入在人工智慧當中，從機器學習到強力學習再到目前推廣的持續學習。
但「科學」是求真。核心底層的模型與方法不符合「數據驅動，讓數據自己說話產生模型結果」的原則，反而是先有一套模型，然後數據導入去適配這套模型的做法，不會看到數據真實的模型樣貌。
實際上，AI數據分析方法真實面對「讓數據自己說話」的原則，各種數據適配出來的數學模型是不同的，甚至是各種的函數轉換後或者高次方函數組合。
從最根本的核心底層開始學習，理解與運用科學精神與原則，AI數據分析的學員學習到原本程式內的自動化部分是如何發生，先用人力自己訓練，並驗證，然後從中比對過去傳統知識、現行主流人工智慧與AI數據分析的差異。
雖然一學期課程不能全部學習完，只是學到14990元的基礎課程內容。但不可否認的是，學員在軟體操作和從做中學，觀察與發現一些專業知識的比對過程中，他們看到與別人不同的資訊，並且都是客觀資訊。這是他們比別人強的優勢，因為能比別人先看到人工智慧的限制與缺陷，才能改善。
雖然我們大部分都核心底層的知識理論都做了改善，反過來用人工智慧去驗證數學和統計學，但很多人並不能接受這樣，真真實實人工智慧需要的功能！這是非常遺憾的。而這些，我們讓它紮根在教學上，讓學員們可以有天發現原來他們走在前沿。縱然不是開發者，但眼界遠比開發者還高，能夠勘破其中原理和破綻，不被欺騙。
#課程
當時代在進步
技術進步
科技進步
商業管理的學習也在進步
當AI加入
不是只有以文字和分類法為主的聊天機器人
數字的分析同樣重要
感謝學校採用MathAI軟體教學，分享：
1. 中華大學113學年度第一學期就業學程學生作品
https://sites.google.com/view/2024chuemployment-aida
2. 元培醫事科技大學113學年度第一學期大數據分析碩士班學生作品
https://sites.google.com/view/ypudbam2024fall/
3. 元培醫事科技大學113學年度第一學期大數據視覺化學生作品
https://sites.google.com/view/ypudbac2024fall/
考照的實務報告：
https://drive.google.com/drive/folders/1R-HZVh3rvQGKxMGNwmB7tCo5wfUdHTt9
可內培、演講、講座、研習、線上授課等
跟著時代的脈動走
公司企業的各項指標也能如同這樣表現展現AI成果
🎉2024AI數據分析競賽將於2024年12月23日到12月27日舉辦🎉
講師培訓已經上路歡迎報名 #培訓
技術進步
科技進步
商業管理的學習也在進步
當AI加入
不是只有以文字和分類法為主的聊天機器人
數字的分析同樣重要
感謝學校採用MathAI軟體教學，分享：
1. 中華大學113學年度第一學期就業學程學生作品
https://sites.google.com/view/2024chuemployment-aida
2. 元培醫事科技大學113學年度第一學期大數據分析碩士班學生作品
https://sites.google.com/view/ypudbam2024fall/
3. 元培醫事科技大學113學年度第一學期大數據視覺化學生作品
https://sites.google.com/view/ypudbac2024fall/
考照的實務報告：
https://drive.google.com/drive/folders/1R-HZVh3rvQGKxMGNwmB7tCo5wfUdHTt9
可內培、演講、講座、研習、線上授課等
跟著時代的脈動走
公司企業的各項指標也能如同這樣表現展現AI成果
🎉2024AI數據分析競賽將於2024年12月23日到12月27日舉辦🎉
講師培訓已經上路歡迎報名 #培訓
Google
中華財管系就業學程2024Fall
感謝勞動部補助大專院校就業學程計畫，在113年秋季於中華大學財務管理學系執行。由於我國數位發展部於113年6月宣布積極培育三種AI人才，包括產業、政府與跨域AI人才，推動政府部門的AI職能課綱和課程。數發部也會攜手教育部，向下扎根於高中階段，開設各種AI相關課程，並培育種子教師，將AI相關知識擴散至偏鄉地區。期間我國大專生更需前沿接軌AI職能相關培訓，因此在就業學程計畫中，運用「AI數據分析方法」應用於財務相關之指標，產生精準趨勢分析，為大專生建構先前課程中可能還未來得及教育培訓之綜整知識與技能素養。
This media is not supported in your browser
VIEW IN TELEGRAM
#技術 人工智慧的數據驅動不只要建立數據自己的數學模型，還要能找到特徵的機率分布模型！一切皆有數學結果！客觀且科學！
路徑模型，節點為核，線做橋樑。
主要算機率（probability），或稱頻率。節點本身有機率，節點連線如排列組合（見高中數學）產生不同種的結果。每個結果都有機率。
每條線上有兩個機率，從A到B或從B到A。
如果是三個節點，有各自節點的機率，兩兩節點的機率×2，三三節點的機率×2。
進階點可以產出分布模型，對！是有數學函數的模型，不是只有圖！
#觀念 ：結果必有數學式
主要算機率（probability），或稱頻率。節點本身有機率，節點連線如排列組合（見高中數學）產生不同種的結果。每個結果都有機率。
每條線上有兩個機率，從A到B或從B到A。
如果是三個節點，有各自節點的機率，兩兩節點的機率×2，三三節點的機率×2。
進階點可以產出分布模型，對！是有數學函數的模型，不是只有圖！
#觀念 ：結果必有數學式
我曾提過機器學習的源頭是分類、篩選、比對、排序、計數。所謂的使用迴歸模型都只是裡頭的小道不是主要。主次分清楚後，就能知道計算機工程是離散數學為基礎，始終沒改變。
早期的數據挖掘或大數據技術都是分篩比排計為主的功能組成，並不是數據驅動的數學模型（建立數學模型結果）！
這就是我說的迴歸模型被寫入演算法只是要讓你知道他們也有搞數據驅動的數學模型。
如果真的是數據驅動的數學模型，那麼結果就會產出數學式結果，即使是機率Probability 也會是值和頻率的機率模型！
繼續看“發表留言”
早期的數據挖掘或大數據技術都是分篩比排計為主的功能組成，並不是數據驅動的數學模型（建立數學模型結果）！
這就是我說的迴歸模型被寫入演算法只是要讓你知道他們也有搞數據驅動的數學模型。
如果真的是數據驅動的數學模型，那麼結果就會產出數學式結果，即使是機率Probability 也會是值和頻率的機率模型！
繼續看“發表留言”
為什麼我不怕生成式AI的人工智慧？
最近網上很多發文都提到人工智慧會算數學題了。想想這是因何而起？當DeepSeek問世並開源後，所有的人工智慧消息全往兩個方向走：
♦️如何以更低的成本開發出如chatGPT O1等級的生成式AI
♦️如何讓聊天機器人也能「算」數學
第二點應該是「Mathematica」的專業，它是網頁版和單機版的數學計算軟體。在chatGPT 問世時就以API方式嫁接進去，不過要付費並且很少人使用。
於是，你看到了現在一窩蜂的在教人工智慧如何本地部署和前面兩點的消息滿天飛。不了解的人會覺得高大上，了解的人只是笑笑。包括「李飛飛」號稱AI教母的科學家也是一樣追隨著那兩個問題在新聞上進行曝光。
（續）點擊留言繼續看下去
最近網上很多發文都提到人工智慧會算數學題了。想想這是因何而起？當DeepSeek問世並開源後，所有的人工智慧消息全往兩個方向走：
♦️如何以更低的成本開發出如chatGPT O1等級的生成式AI
♦️如何讓聊天機器人也能「算」數學
第二點應該是「Mathematica」的專業，它是網頁版和單機版的數學計算軟體。在chatGPT 問世時就以API方式嫁接進去，不過要付費並且很少人使用。
於是，你看到了現在一窩蜂的在教人工智慧如何本地部署和前面兩點的消息滿天飛。不了解的人會覺得高大上，了解的人只是笑笑。包括「李飛飛」號稱AI教母的科學家也是一樣追隨著那兩個問題在新聞上進行曝光。
（續）點擊留言繼續看下去
數據分析以建立數學模型為主的方法有三：
一、先人為識別或預設一套數學模型後，以認定的模型套入數據，找出最佳參數。
二、提供數據各種的數學模型，讓數據套入各種的模型後，選出最佳的結果。
三、以既有的數學模型，讓數據根據排序規律，自行一一加入，產生最佳模型。
後二種方法解除傳統方法中的不同限制。
第二種方法是解除「模型選擇」限制，讓數據得以自由配適它合適的模型。預設的模型庫可產生人類無法想像的多的數學模型。甚至是數學模型何時共通也是由數據自己運算後告知。
第三種方法是解除「樣本選擇」限制，讓數據得以自由依照規律排序讓數據一一進入，每次進入就運算一次。由數據自行決定多少樣本可形成最佳的數學模型。
一、先人為識別或預設一套數學模型後，以認定的模型套入數據，找出最佳參數。
二、提供數據各種的數學模型，讓數據套入各種的模型後，選出最佳的結果。
三、以既有的數學模型，讓數據根據排序規律，自行一一加入，產生最佳模型。
後二種方法解除傳統方法中的不同限制。
第二種方法是解除「模型選擇」限制，讓數據得以自由配適它合適的模型。預設的模型庫可產生人類無法想像的多的數學模型。甚至是數學模型何時共通也是由數據自己運算後告知。
第三種方法是解除「樣本選擇」限制，讓數據得以自由依照規律排序讓數據一一進入，每次進入就運算一次。由數據自行決定多少樣本可形成最佳的數學模型。
學員問我：現在有AI，我會問AI就好，為什麼還要背誦、計算和考試？
我回答：你能確認AI告訴你的是正確的，並且每次都是正確的嗎？
你真正有這些知識才能形成你獨立判斷的基礎！
如果今天對待知識的態度錯了，你又如何享受知識後面帶來的價值！
即使AI再如何被人們信賴，人在思維和思考上，不獨立，你什麼都不是！
數據分析是相對客觀，能產出證據做比對的。但你連分析方法都不懂，也不會驗算或驗證，前提假設，方法限制都不知道。你用AI？還不如......別用！
我回答：你能確認AI告訴你的是正確的，並且每次都是正確的嗎？
你真正有這些知識才能形成你獨立判斷的基礎！
如果今天對待知識的態度錯了，你又如何享受知識後面帶來的價值！
即使AI再如何被人們信賴，人在思維和思考上，不獨立，你什麼都不是！
數據分析是相對客觀，能產出證據做比對的。但你連分析方法都不懂，也不會驗算或驗證，前提假設，方法限制都不知道。你用AI？還不如......別用！
#研究「剪枝」和減少「檢定出來不重要的自變數」，這兩種做法在統計分析上很常見。
很常見.....
多數都這樣做......
但真的「必要」嗎？
如果你寫碩博士論文
我要說：按照老師說的，畢業優先
如果你做研究
我要說：你該存疑反思
因為這是做研究的精神
不是依樣畫葫蘆
或者反覆套模型
我為什麼要說這個呢？
👇👇👇👇👇
很常見.....
多數都這樣做......
但真的「必要」嗎？
如果你寫碩博士論文
我要說：按照老師說的，畢業優先
如果你做研究
我要說：你該存疑反思
因為這是做研究的精神
不是依樣畫葫蘆
或者反覆套模型
我為什麼要說這個呢？
👇👇👇👇👇
#觀點 生成式AI在架構完成後，整體被稱為「模型」。「模型」一詞被反反覆覆提起，但這一詞也代表人工智慧的核心是人為模型，不是「機器自動」（automachine）。
想要AGI或者真正的AI，就要在人工智慧架構的核心上做深入的研究。
👇👇👇👇👇
想要AGI或者真正的AI，就要在人工智慧架構的核心上做深入的研究。
👇👇👇👇👇
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！
想獲得統計學習功能的訂閱？
電郵： prsimulated@gmail.com
郵件標題：想訂閱統計學習軟體
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！
想獲得統計學習功能的訂閱？
電郵： prsimulated@gmail.com
郵件標題：想訂閱統計學習軟體
到底未來數據模型是什麼？
生成式AI嗎？
或許我們該回到模型核心了解。
我最近看到有人在介紹演算法核心的模型。用簡單的語言與案例說明是值得加分，但卻失去了模型的本質。
例如誰說迴歸模型是做預測？它也是揭露變數之間相關的模型，只是自變數選擇其實是要求要高度相關，而不是現在認為理論變數可以放就放。
統計學本身就是數字科學！被理論拿去，試圖數字驗證理論的合理性與適用性，不代表數字本身就是符合理論。
有的是從整體的聯合機率出發，這時你模型背後應該要有數字得到的聯合機率模型數學式。
不能假設存在，而是要從數字得到。多數都用假設，然後將數字拿來轉換符合理論對變數要求，接著進行數據分析。
有的演算法核心的模型是條件機率，同樣要用數字得到條件機率模型的數學式。
我們得正視這些數字科學本該得到的資訊，而非假設帶過或符號表示帶過。
生成式AI嗎？
或許我們該回到模型核心了解。
我最近看到有人在介紹演算法核心的模型。用簡單的語言與案例說明是值得加分，但卻失去了模型的本質。
例如誰說迴歸模型是做預測？它也是揭露變數之間相關的模型，只是自變數選擇其實是要求要高度相關，而不是現在認為理論變數可以放就放。
統計學本身就是數字科學！被理論拿去，試圖數字驗證理論的合理性與適用性，不代表數字本身就是符合理論。
有的是從整體的聯合機率出發，這時你模型背後應該要有數字得到的聯合機率模型數學式。
不能假設存在，而是要從數字得到。多數都用假設，然後將數字拿來轉換符合理論對變數要求，接著進行數據分析。
有的演算法核心的模型是條件機率，同樣要用數字得到條件機率模型的數學式。
我們得正視這些數字科學本該得到的資訊，而非假設帶過或符號表示帶過。
當我們使用公開的原始數據時間序列資料建構精準的數學模型時，
1）沒有改變與調整數據。你能保證原數據的機率分配和你轉換數據據後的機率分配能夠相同？或者你能找到兩個不同機率分配的轉換？
2）公開的分析都承認用平均相關性。這只是相關性，不是告訴你他們關聯的數學模型。能夠給你數學模型結果，優於只告訴你相關性的數字或平均相關性數字。我們的基調是看到數學模型，給數學模型結果肯定優於一個Y/N問題的結果。
3）讓整體數據產生精準的區間，區間內的數據可形成線段和曲線的數學結果。看起來是時間序列分析模型，可怎麼不說是統計學迴歸分析模型？畢竟時間序列分析的模型基礎就是迴歸。那麼時間序列分析模型中，你有學過需要判斷數據建模的原則嗎？多少數據量最優？我們強調是「迴歸」是更合理的說法。
從最基礎的迴歸分析，正式加入判斷建模的模型選擇和樣本量選擇，全部內化。全部成為判斷準則。這不可人力做到，是人工智慧的初始架構方法才能做到。對！並不是那些「XX學習」和生成式AI模型。
用最簡單且公開的數據，我們想說的是：數字的人工智慧已經完成！論文的分析方法只是其中一部分！
瞧不起，看不起也沒關係。這結果與方法進化就是【事實】！
1）沒有改變與調整數據。你能保證原數據的機率分配和你轉換數據據後的機率分配能夠相同？或者你能找到兩個不同機率分配的轉換？
2）公開的分析都承認用平均相關性。這只是相關性，不是告訴你他們關聯的數學模型。能夠給你數學模型結果，優於只告訴你相關性的數字或平均相關性數字。我們的基調是看到數學模型，給數學模型結果肯定優於一個Y/N問題的結果。
3）讓整體數據產生精準的區間，區間內的數據可形成線段和曲線的數學結果。看起來是時間序列分析模型，可怎麼不說是統計學迴歸分析模型？畢竟時間序列分析的模型基礎就是迴歸。那麼時間序列分析模型中，你有學過需要判斷數據建模的原則嗎？多少數據量最優？我們強調是「迴歸」是更合理的說法。
從最基礎的迴歸分析，正式加入判斷建模的模型選擇和樣本量選擇，全部內化。全部成為判斷準則。這不可人力做到，是人工智慧的初始架構方法才能做到。對！並不是那些「XX學習」和生成式AI模型。
用最簡單且公開的數據，我們想說的是：數字的人工智慧已經完成！論文的分析方法只是其中一部分！
瞧不起，看不起也沒關係。這結果與方法進化就是【事實】！
computational piecewise regression是一種確定性計算數據規律的方法。
相比於固定切割的分段方法，或基於統計檢定和指標（F檢定，AIC，BIC等），這種方法不需要假設分配，不需要依賴上述的判斷方法，而是回到最基本的數學的最小平方法。
判斷指標是R2和RMSE。
特色是按照資料排序的順序，按序加入一筆數據–>計算–>判斷指標比較。反覆這個動作，直到所有資料運算完。
這不是巢狀模型。對每段來說，加入的下一筆數據是新數據。我們只是站在上帝視角在已知資料的狀態下，在進行運算。
判斷指標不會是單調函數，而是會有local極值存在。
相比於用AIC這類，理論來自需要機率分配設定的指標，最小平方法下的計算和判斷指標更適合小樣本，當然也適合大樣本。
相比於固定切割的分段方法，或基於統計檢定和指標（F檢定，AIC，BIC等），這種方法不需要假設分配，不需要依賴上述的判斷方法，而是回到最基本的數學的最小平方法。
判斷指標是R2和RMSE。
特色是按照資料排序的順序，按序加入一筆數據–>計算–>判斷指標比較。反覆這個動作，直到所有資料運算完。
這不是巢狀模型。對每段來說，加入的下一筆數據是新數據。我們只是站在上帝視角在已知資料的狀態下，在進行運算。
判斷指標不會是單調函數，而是會有local極值存在。
相比於用AIC這類，理論來自需要機率分配設定的指標，最小平方法下的計算和判斷指標更適合小樣本，當然也適合大樣本。