可自動分析大數據的分類、迴歸、及時間序列資料，並找出關鍵因子。Optimize X 參數優化功能，只要輸入目標 Y ，即可找出最佳化的多個參數 X 。

可自動分析大數據的分類、迴歸、及時間序列資料，並找出關鍵因子。Optimize X 參數優化功能，只要輸入目標 Y ，即可找出最佳化的多個參數 X 。

實踐大學資管系AI導論 (MIS13901A1)課程

XGBoost Classification, XGBoost Regression, XGBoost Regression Time Series, LightGBM Classification, LightGBM Regression, LSTM, Regression Forest, DNN, Convolution 1D..

大數據分析之資料預處理、訓練、及推論，適用於製程分析、醫療數據預測、金融指數預測等應用。

AI 最新趨勢， AI 發展的演進，常用 AI 資料分析演算法及應用案例。

測試 XGBoost 使用 GPU 進行訓練。

使用 Support Vector Machine (SVM) 進行 Iris 花朵的分類。

使用 Python 的 matplotlib 套件，產生股票資料 (開盤、收盤、最高、最低) 的圖表。

使用 LightGBM 進行房價的預測。

使用 LightGBM 進行鐵達尼號乘客的生存預測。

使用 Gradient Boosting 進行房價的預測。

使用 Gradient Boosting 進行鐵達尼號乘客的生存預測。

使用 Regression Forest 進行股價的預測。

使用 Regression Forest 進行 Sin 函數的預測。

使用 XGBoost 進行機票銷售 (時序資料) 的預測。

使用基因演算法解決多目標排程的問題。

使用 XGBoost 進行鐵達尼號乘客的生存預測。

使用 LSTM 進行機票銷售的訓練和推論。

使用 DenseNet 進行 Sin 函數的訓練和推論。

使用一維的 Convolutional neural network 進行資料分析。

可解釋性，導入領域專家概念，例如：線的概念。一般資料分析及時間序列資料分析。

使用 Auto Encoder 進行異常偵測。

可應用於股價預測、匯率預測、期貨價格預測、金融指數預測、房價預測、銷售量預測、雨量預測、氣候預測、手寫識別、語音識別等。

LSTM 是一種時間循環神經網絡（RNN）。由於獨特的設計結構，LSTM適合於處理和預測時間序列中的重要事件。可應用於股價預測、匯率預測、期貨價格預測、金融指數預測、房價預測、銷售量預測、雨量預測、氣候預測、手寫識別、語音識別等。

XGBoost 是目前最好用的數值資料分析演算法，可應用於股價預測、匯率預測、期貨價格預測、金融指數預測、授信風險預測、房價預測、生產良率預測、維修保養預測、員工錄取判斷、員工離職預測、學生成績預測、作物生長預測、生存預測等。

可以取得：醫事機構代碼、醫事機構名稱、醫事機構地址、醫事機構電話、成人口罩剩餘數、兒童口罩剩餘數、來源資料時間。