已開放尚未開始
AI 資料分析
從資料基礎、資料清理到資料視覺化與說故事，建立一套可信賴、可複製的 AI 輔助資料分析工作方法。
13 門課程 · 預估學習時數: 123 小時
適合對象
- 需要定期整理、分析與呈現資料的職員
- 想用 AI 加速資料分析但仍要對結果負責的人
學習成果
- 建立資料素養與 ESG／資料科學基礎概念
- 用 AI 協助辨識與處理缺值、重複與異常資料
- 把分析結果轉為清楚、可驗證的資料故事
- 以資料與實證主導真實產業專案的 Proof of Value 與 Pilot
培養的能力
- 資料分析
- AI 應用與 Use Case 設計
- 問題定義與證據邊界
- 資料檢視
- 型態與單位
- 缺失值與重複資料
- 彙總分析
- 衍生指標計算
- 視覺化
- 驗證
- AI 程式碼審查
- 可重現性與來源紀錄
- Schema 與粒度
- 型態、字串與日期品質
- 缺失值與重複資料決策
- Reshape 正確性
- Join Cardinality
- 單位與定義
- 驗證與資料合約
- 可追溯性與清理紀錄
- 圖表類型選擇
- 分布與關係圖判讀
- 尺度、基準線與分母誠實度
- 可及性編碼與直接標示
- 有界聲稱與 KPI 彙總
- 誤導圖表與 AI 生成圖表覆核
- 分布形狀與穩健摘要判斷
- 離群值調查與抽樣限制
- 目標母體與關聯性陳述
- 混淆變數與區間估計直覺
- 資料品質與統計／實務顯著性
- EDA 嚴謹度與 AI 協作覆核
- 數位金融素養
- 資料來源選擇與適配性
- 證據與推論的區分
- AI 輸出驗證
- 永續金融決策判斷
- 預測問題界定
- Baseline 比較
- 切分完整性與 Leakage 偵測
- 迴歸評估（MAE/RMSE）
- 分類、Precision/Recall 與 Threshold
- 過度配適、交叉驗證與調參
- 特徵重要性與公平性
- 錯誤分析、Drift 與部署判斷
- 資料科學中的 AI 角色界線
- 資料情境：Schema、粒度與單位
- 可驗證的 Prompt 設計
- 執行前先讀懂程式碼審查
- 無聲分析錯誤除錯
- 驗證階梯（資料 → 程式碼 → 方法 → 聲稱）
- Prompt／程式碼溯源與可重現性
- 敏感資料與 AI 治理
- 工作流程責任歸屬與人工核准
- 資料產品界定
- 函式與 Stage 拆解
- 設定與密鑰分離
- 資料合約與驗證
- 可靠排程與冪等性
- 可觀測性與資料脈絡
- 核准與 Rollback 治理
- 測試與失敗復原
- Analytics Workflow Canvas 設計
- Agent vs. 固定流程判斷
- 需求轉分析計畫
- 工具合約設計（Allowlist 與讀寫分離）
- 語意層與可信指標
- 權限傳遞與資料最小化
- 回答前的驗證機制
- Golden Question 評估與提示注入防禦
- 可觀測性、稽核與失敗復原
- 治理型資料代理人交付
- 產業 AI 專案 Charter 撰寫
- 產業 AI PoV 原型與評估設計
- 企業 AI 準備度審查
- 企業 AI Pilot 執行與評估
開始前需要完成
無
建議先具備
- AI 101 · Claude AI 工作力基礎課程
- AD 101 · AI Use Case Discovery：找出值得做的 AI 應用
課程順序
- 1.DS 101 ESG 資料科學基礎：Python 與 AI 實作
- 2.DS 102 資料整理與品質管理
- 3.DS 103 資料視覺化與資料敘事
- 4.DS 104 探索式資料分析與統計思維
- 5.DS 105 Web3、金融科技與永續金融：AI 驅動的資料判斷與決策
- 6.DS 201 預測分析與機器學習基礎
- 7.DS 202 AI 輔助資料科學
- 8.DS 301 資料產品與分析工作流工程
- 9.DS 302 Data Agents 與智慧分析系統
- 10.IL 101 IL 101｜產業 AI 專案與價值設計
- 11.IL 201 IL 201｜產業 AI Proof of Value 共創實驗室
- 12.IL 202 IL 202｜企業 AI 資料、治理與整合準備
- 13.IL 301 IL 301｜企業 AI Pilot 與導入實驗室
下一步
DS 101 · ESG 資料科學基礎：Python 與 AI 實作