2020/7/25 台灣人工智慧學校｜講題：AI與資料視覺化
•
3 likes•566 views
題目：AI與資料視覺化 地點：台灣人工智慧學校｜中研院 講者：彭其捷 個人網站：https://www.visualization.tw/
Recommended
More Related Content
What's hot
What's hot (20)
Similar to 2020/7/25 台灣人工智慧學校｜講題：AI與資料視覺化
Similar to 2020/7/25 台灣人工智慧學校｜講題：AI與資料視覺化 (20)
More from 彭其捷 Jack
More from 彭其捷 Jack (20)
2020/7/25 台灣人工智慧學校｜講題：AI與資料視覺化
- 2. 相關著作（資料視覺化 / 資料科學 / UIUX） 10 刷 2
- 3. About Me 【 】 【 】 3
- 10. 10 AI x 視覺化 = 提升數據特性的掌握能力 AI x 視覺化 = 提升模型優化的溝通品質 AI x 視覺化 = 提升成果展示的效果與理解
- 12. 探索式資料分析 EDA Exploratory Data Analysis AI 建模前的建置作業 「認識資料」
- 13. 可透過視覺化方式輔助探索資料 避免建模時 資料分配 極端值 null 值 資料類型 離散程度
- 15. 許多團隊，在執行 EDA 資料探索任務階段時，採 用的是 Excel 軟體 有時候會受限
- 18. Python , R 等程式語言可以輔助 EDA / 視覺化 … 但 ...
- 20. 除了 Excel 外，還有很多不錯的軟體工具可輔助 工具名稱 核心優點 核心缺點 所見即所得的直覺操作介面，優異視覺表現， 使用者數眾多，學習容易。 進階資料科學功能較為陽春，商業 價格偏高。 最多使用者人數的工具，容易與既有工作流程 結合。 對巨量數據支援度較差，如要執行 複雜數據分析步驟也較為繁瑣。 知名大廠所推出，操作介面熟悉且社群完整， 有雲端版本。 不支援 Mac 作業系統。 ★ ★ ★ 合適的軟體，能夠幫助我們進行 且不一定要很高的學習門檻
- 21. Tableau 工具 x 資料探索 x 視覺化（跨平台） 圖表模組 (Show Me） 快速切換各類圖表，輔 助進行數據觀察 & 視 覺化 選擇資料欄位 （Columns）
- 22. 小結 進行資料探索與視覺化，是建置 AI 的重要前置作業 透過 EDA 觀點＆友善工具的輔助， 可有效提升團隊對於數據特性的掌握 度，確保 AI 建模前的資料品質
- 24. AI 專案 透過機器學習 預測 PM2.5 空污
- 26. 專案：透過機器學習(類神經網路) ：預測 PM2.5 數值
- 27. 空汙 AI 預測 V1 之實驗結果 （紅線：線性迴歸 baseline）（藍線：預測的空污數值）
- 28. AI 的演算法產出，大多是數值類型，較難檢核 & 溝通 ex. 空氣品質：預測 17:00 之後的數值 {"station": "u53e4u4ead", "datetime": "2018-09-20 16:00:00", "pred_1": 39.72, "pred_2": 42.9, "pred_3": 40.14, "pred_4": 39.45, "pred_5": 39.42, "pred_6": 35.49, "pred_7": 36.38, "pred_8": 34.85, "pred_9": 31.99, "pred_10": 30.96, "pred_11": 27.22, "pred_12": 28.12, "pred_13": 25.57, "aqi_12hr_4hr_avg_1": 112.0, "aqi_12hr_4hr_avg_2": 112.0, "aqi_12hr_4hr_avg_3": 103.0, "aqi_12hr_4hr_avg_4": 107.0, "aqi_12hr_4hr_avg_5": 110.0, "aqi_12hr_4hr_avg_6": 110.0, "aqi_12hr_4hr_avg_7": 110.0, "aqi_12hr_4hr_avg_8": 109.0, "aqi_12hr_4hr_avg_9": 105.0, "aqi_12hr_4hr_avg_10": 102.0, "aqi_12hr_4hr_avg_11": 96.0, "aqi_12hr_4hr_avg_12": 93.0, "aqi_12hr_4hr_avg_13": 90.0, "error_bound_t4": 8.54762, "error_bound_t7": 11.756, "error_bound_t8": 12.9405, "error_bound_t12": 16.0833, "error_bound_t6": 10.7738, "error_bound_t9": 13.6905, "error_bound_t5": 9.625, "error_bound_t13": 16.6964, "error_bound_t10": 14.5774, "error_bound_t1": 0.434524, "error_bound_t3": 6.36905, "error_bound_t2": 1.125, "error_bound_t11": 15.3095, "pollute_6": "PM2.5", "pollute_10": "PM2.5", "pollute_12": "PM2.5", "pollute_11": "PM2.5", "pollute_3": "PM2.5", "pollute_4": "PM2.5", "pollute_1": "O3", "pollute_7": "PM2.5", "pollute_9": "PM2.5", "pollute_2": "O3", "pollute_5": "PM2.5", "pollute_8": "PM2.5", "pollute_13": "PM2.5"} " 測站名稱
- 30. AI 預測準確度視覺化，引導團隊針對 高PM2.5 預測高誤差處 進行討論 數值-真實值 空品-AI預測值 鄉民 燒稻草 境外空汙 移入 沙塵暴 事件 深夜霧大 誤差較大 的地方 某 測 站 某 測 站
- 31. 引入各領域專家的討論後，預測模型誤差 大幅降低 持續清理資料，新增 / 調整了 51 個計算特徵 AI 預測擬合度大幅提升 藍線 真實數值 橘線 預測數值 上線的版本
- 36. 許多 AI 服務，需要被轉譯，讓更多人理解 AI 團隊 普羅大眾 & 決策者們 轉譯
- 46. 結語
- 47. 47 AI x 視覺化 = 提升數據特性的掌握能力（前期） AI x 視覺化 = 提升模型優化的溝通品質（中期） AI x 視覺化 = 提升成果展示的效果與理解（後期）
- 50. THE END