無限想像的科技創新未來—大數據專案管理與資料分析實務應用 20170927(龍華科技大學)
•
9 recomendaciones•577 vistas
大數據專案管理&資料分析實務應用分享（亞洲矽谷人才育成計畫：物聯網與大數據） 亞洲矽谷人才育成計畫-物聯網與大數據 無限想像的科技創新未來—大數據專案管理與資料分析實務應用 1.亞洲矽谷計畫與物聯網 2.科技創新之三把利劍與數位轉型 3.大數據創新商業模式 4.大數據資料應用 5.專案分享-大數據驅動培育服務 6.專案分享-思翱夫子雲倍力大數據創新服務 7.練大數據資料之神功 8.政府開放資料 9.大數據QA10
Recomendados
Más contenido relacionado
La actualidad más candente
La actualidad más candente (20)
Similar a 無限想像的科技創新未來—大數據專案管理與資料分析實務應用 20170927(龍華科技大學)
Similar a 無限想像的科技創新未來—大數據專案管理與資料分析實務應用 20170927(龍華科技大學) (20)
Más de 張大明 Ta-Ming Chang
Más de 張大明 Ta-Ming Chang (20)
無限想像的科技創新未來—大數據專案管理與資料分析實務應用 20170927(龍華科技大學)
- 1. 1 亞洲矽谷人才育成計畫—物聯網與大數據 @2017/9/27。龍華科技大學。台北 T h i n k B i g f o r B i g D a t a - D a t a G o v 張大明 richard@abctech.pro 育睿科技 執行長 | Line / Wechat ID：ask2bigrich 無限想像的科技創新未來 —大數據專案管理x資料分析實務應用 World of Watson, these are IBM’s 4 pillars and Big Blue is gearing up for an arms race and a big war - the war for mind share and for money. According to analyst firm IDC, big data and analytics spending will hit $203 billion by 2020. https://www.linkedin.com/pulse/war-4-pillars-big-data-cognitive-cloud-iot-bill-hayduk/
- 2. 顯而易見的事實與 未來科技創新戰爭戰場-IBM Business Intelligence Analytics AI / “Cognitive” Big Data Cloud Internet of Things (IoT) 2 Source： https://www.linkedin.com/pulse/war-4-pillars-big-data-cognitive-cloud-iot-bill-hayduk/
- 3. 張大明 張大明執行長，育睿科技（2012）創辦人，資訊教育及教育科技專家，並擔任新 北市專業職能培訓人員職業工會-大數據應用職能發展委員會主委，xAPI中文實踐社群 指導委員會-Corporate L&D Coordinator，淡江大學教育科技研究所，台灣首位 4C/ID模式實證研究發表人，國際副價值工程專家 AVS，美國ATD會員，經濟部中小企 業領袖班第十二屆結訓。有近二十年成人教育訓練實務及數位化學習設計經驗。 • SBIR經濟部小型企業研發補助計畫—思翱夫子雲倍力大數據服務開放創新研發計畫主持人 （ALBITER，2015-2016） • 2016台灣資料愛好者社群年會-教育大數據「有志一同」議程協同主持人（中央研究院資料科 學研究所，2016/7/17） • ALBITER歐倍特教學設計與實施手冊（張大明，羅志傑，2016/6） • 張大明, 羅志傑, 蕭舒方（2016），整合學與教脈絡大數據應用的教育創新-以思翱倍力大數據 服務為例，2016數位學習學術研討會：學習科技新趨勢（淡江大學，2016/5/20） • Use VA/VE on Online to Offline (O2O) Cloud Learning Services Study（Hong Kong-SAVE， 2015） 講師 3
- 4. 張大明 • 國家發展委員會105年資訊新知研討會-巨量資料分析的現況與展望（北中南三場，2016/8-9月） • 105年下半年度產業人才投資計畫-生產力4.0巨量資料應用班：ALBiTER歐倍特螺旋式4 Cycles 課程（2016/8-10月） • ITI外貿協會國際企業人才培訓中心：專案管理Excel資料分析實務應用，EXCEL資料分析實作- 商品創新與商業模式、淺談大數據與智能行銷商業模式（2016/5、9、10月） • 2016台灣資料愛好者社群年會-教育大數據有志一同協同主持人（中央研究院資料科學研究所， 2016/7/17） • 聯輔中心企業培訓課程-高雄兆豐銀行，物聯網中的大數據：中小企業商機無限（2016/6月） • TBLC台灣企業領袖交流會：商業4.0智能化大數據應用 & 企業數據力應用心法與技法，CSIA中 華兩岸跨業聯盟總會：大數據智能化人才服務（2016/6-8月） • 教育部優質高中計畫－教師課程發展會議（2016/6月） 講師 4
- 7. 7
- 8. 8
- 9. 9
- 10. 五大創新產業與新農業、循環經濟，以數位經濟為底層，由此實踐軟硬結合 五大創新研發產業： 一. 台南沙崙為中心的「綠能研發中心」 二. 桃園的「亞洲矽谷計畫」，發展物聯網與智慧產品 三. 以台北資安、台中航太、高雄船艦為中心的「國防產業聚落」 四. 中研院所在的南港園區、竹北生醫園區延伸到南科的「生技產業聚落」 五. 台中的「智慧精密機械聚落」 工業4.0（台灣生產力4.0計畫於2016年7月停止） 10
- 12. 12 Next Big Thing. 機器人Pepper月薪26888 4勝1敗 - AlphaGo勝 五段棋王李世乭
- 13. 資料來源：工業局 工業4.0 (生產力 4.0) – IR / IoT / Big Data 13
- 14. 14 Gartner’s emerging technology hype cycle – 2017 edition https://whatitallboilsdownto.wordpress.com/tag/gartner/
- 15. 15 2007-2017：數位智商十年 2017全球 Digital IQ® 調查：10週年版
- 16. 2007-2017：數位智商十年 • 在2007年，平均數位智商在各產業中相似。除了特定例外產業（農業企業和採 礦業已經落後），時至今日情況仍然相同。 數位進展是相當一致的 • 資料探勘和分析、搜索技術、服務導向的架構、和虛擬合作是2007年的頂尖技 術。這些年來，注意力轉移到移動技術，數據安全和雲端。今天，像物聯網和 人工智慧這樣的新興技術被視為今後的重大發展，其他未來技術緊追在後。 昨日的技術投資是今天 的建設基礎 • 在2007年的調查中只有33％的高階主管表示，他們的執行長支持數位化；至今 比例已攀升至68％。 執行長們積極支持數位 化 • 在2007年只有40％的高階主管表示，資訊長大力參與策略規劃；至今，資訊長 與其他高階領導人有著密切的關係，且經常監督數位化戰略和投資。 因為數位 化日益重要，數位長或數據長等的新角色加入資訊長的行列，前二者也側重於 技術的策略性使用。 資訊長獲得一席之地 • 在2007年，對使用者體驗的關注與高策略性數位智商相關。現今受訪者中著重 創造更好的客戶體驗的通常也有更好的數位化策略，且有更佳的財務績效。 重視使用者體驗絕對是 上策 16 2017全球 Digital IQ® 調查：10週年版 2017全球 Digital IQ® 調查：10週年版
- 18. 數位轉型浪潮 重新定義企業與員工 價值 18 隨著萬物相聯，各種裝置與網際網路、行動技術進一步密切整合，數位轉型的趨勢越來越明顯。在 2017 年的企業應用上， 大數據分析被 59% 的受訪者視為最具潛力，其次則是物聯網及人工智慧，分別為 57.6% 及 44.8%。 https://technews.tw/2017/01/08/2017-it-trend-report/
- 25. 25 天下武功 無堅不摧 唯快(準)不破 您想練 物聯網+大數據 這門功夫嗎? 圖片來源：網路
- 26. Big Data? What?! • I know, I don’t care. • I know, me too. or … • I don’t know, then I know and I will involve. 26
- 27. Gartner 分析師 Doug Laney —Volume 資料量，Velocity 資料輸入輸出速度，Variety 資料類型，Veracity 真實性 在 2001 年發表的「3D Data Management： Controlling Data Volume, Velocity, and Variety.」 在 2012 年 全新的定義 「大數據是大量、高速、 及/或類型多變的資訊資 產，它需要全新的處理 方式，去促成更強的決 策能力、洞察力與最佳 化處理。」 27
- 28. 大數據特徵 • 大數據資料量龐「大」（Volume）、變化飛「快」 （Velocity），種類繁「雜」（Variety），以及 真偽存「疑」（Veracity） • 尤其在這資訊大爆炸時代，這些資料變得又多、 又快、又雜、又真偽難分 探索巨量資料這新領域 - Tim Smith https://youtu.be/j-0cUmUyb-Y 28
- 30. 30
- 31. 31
- 34. 很棒產品 或 服務 ? 從前34
- 35. 35
- 37. 數據運用已充斥在生活與工作周遭 • 如何找餐廳吃飯? • 如何找房子? • 如何搭車? • 如何找答案? • 如何學習? • 如何交朋友? • 如何找工作? 37
- 39. 39
- 40. 40 Steve Jobs iPhone 2007 Presentation https://www.youtube.com/watch?v=vN4U5FqrOdQ
- 41. 41
- 42. 42
- 43. 43
- 45. The role of ICTs in the e-commerce transaction/EDI value chain 45Source: OECD(2013/10) 貿易商 & 代理商 vs. 原廠 電子商務、跨境電商 、行動商務、第三方支付 電商平台 & 垂直電商 vs. 官網 (品牌)
- 46. 46
- 47. 47
- 48. 48
- 49. 49
- 52. 智慧代理機器人指日不遠! • 機器人正夯啊！連我也好想弄一台在家裡，但沒想到的是我們已經可 以「自己做機器人了」！ – 使用 IBM Bluemix 這樣的 PaaS 服務搭配 Watson API 後，除了比想像中好上手 之外，同時大幅縮短開發設計時間，自己也能快速完成一整套人工智慧系統啊！ 52 http://www.saydigi.com/2016/06/ibm-watson-robot.html
- 53. 53 Voice-activated smart speakers such as Google Home, Amazon Echo, and the yet-to- be-released Apple HomePod and Facebook’s Aloha.
- 54. 機器學習 Machine Learning 一個電腦程序從經驗E至學會， 針對某類任務T和性能指標P， 如果在T中的任務性能， 按P測量，提高了有經驗的E。 A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P if its performance at tasks in T, as measured by P, improves with experience E. 54 Tom M. Mitchell, WIKI 另一個定義：機器學習目標是要電腦編碼運用舉例的資料，或過去的經驗來 解決已知問題。 麻省理工學院 https://en.wikipedia.org/wiki/Machine_learning
- 55. 商品販售與行銷 店員：請問…老闆，您真是了得! 老闆：飯可以亂吃，問題不可以亂問!? Association for Talent Development(from ASTD T+D Magazine April 2016) 一個電腦程序從 [E] 至 學會，針對 [T] 和 [P]， 如果在 [T] 中的任務性 能，按 [P] 測量，提 高了有經驗的 [E] 。 E: xxxxxxx……. xxxxxxx P: xxxxxxx……. xxxxxxx T: xxxxxxx……. xxxxxxx 55
- 56. 56 微軟 CEO 納德拉：AI 不會取代人類，而是增強 我們的感官體驗與創造力 https://technews.tw/2016/11/03/microsofts-ceo-explores-how-humans-and-ai-can-work-together/
- 58. 台灣企業對新興科技的需求 • 可以獨立學習並完成指令的智慧機器或軟體。例如：機器人、聊 天機器人、自動駕駛車等 人工智慧 （Artificial intelligence） • 裝置中內建互相連接的感應器，此物聯網絡可以蒐集數據資訊或 由遠端遙控。例：智慧建築、汽車（車聯網）及家電用品等 物聯網 （IoT） • 下一代電腦因運用不同的運算系統，可以比傳統電腦更快地計算 出數據方程式 量子電腦運算（Quantum computing） • 衣物、裝置或身上可內嵌進階的運算與電子科技。例：智慧手錶 及智慧手環 穿戴式科技 （Wearable technologies） • 可以處理自然語言、手勢及視覺資訊的電腦與軟體。例：微軟的 Skype 翻譯（Skype Translator）及聊天機器人 下一代電腦運算 （Next Generation Computing） 58https://technews.tw/2017/03/15/most-companies-will-carry-out-digital-transformation/
- 60. 60 Think Big for Big Data – Smart & Automatics 大數據智能化 vs 人才工作之爭
- 63. 資料來源：工業局 63
- 64. 64 1個人領２份薪水做３份工作 65歲以上 15-65歲工作人口 14歲以下 2015 12% 74% 14% 2060 41% 50% 9% 資料來源：工業局 生產力4.0
- 65. 李開復： “最大白領失業 潮來襲 4種「師」 首當其衝。” Future… Partner with Code. 醫師、律師、教師，與金融 ?! http://goo.gl/DD96tB @ALBiTER 65
- 67. Uniqlo operator joining with consultancy on big-data venture http://asia.nikkei.com/Business/Deals/Uniqlo-operator-joining-with-consultancy-on-big-data-venture?page=1 67
- 69. 公司定位 • UNIQLO始終沒有忘記傳達給消費者「UNIQLO是日本品牌」的概念。 目標客戶 • 把上門的消費者當成目標客群，是無法創造更多利益。 • UNIQLO視為目標客群，是那些還沒上過門的消費者。 吸引目標 客戶策略 • 開發顧客「想要」的商品，企業唯一的使命，就是提供消費者需要的商品。 • 「短期集中」型態的廣告宣傳戰，創造首購人氣，吸引還未上過門的消費者注意。 價格策略 • 透過SPA經營，取得生產線的控制權，減少製造端的損失，打造高品質形象。 69
- 70. 廣告策略 • 平面媒體 • 電子媒體 • 網路媒體 店面經營策略 • 提供消費者更輕鬆自在的購 物環境 • 獨特的店長評價制度 • 商品都統一以日文介紹，徹 底實踐「UNIQLO From Japan」的訊息 華人市場行銷策略 • 以中國人喜歡的「8」這個 數字，推出88種顏色的 POLO衫，並以人民幣88元 為訂價策略 • 由偏高的價格設定，傳遞 「日本貨較高檔」的訊息 70
- 72. 德國企業凱馳—賣清潔機器 vs. 賣空氣 • 顛覆原有的商業模式，客戶可以不買機器，改買 使用多少壓縮過的空氣來計費的服務 – 因為凱馳的清潔設備，都是壓縮空氣形成壓力，讓 水變成高壓強水柱，來清潔髒污。 – 以前，賣愈大台機器利潤好，但客戶不一定需要 – 現在可以選擇訂定最低用量、付一定金額，根據客 戶的需求預估，來配置設備給客戶使用，用量超過 合約最低門檻，就再支付額外費用 – 客戶不必再購置機器，維修服務也可以一應交予凱 馳處理。 72 賀桂芬，凱馳百年企業三年「換心」、秤斤論兩賣空氣。 2016-07-06 天下雜誌601期 http://www.cw.com.tw/article/article.action?id=5077226
- 75. Canvas 9大要素 • VP 價值主張 • CA 客戶活動 • CH 通路 • CS目標客戶 • R$ 收益 • KP 合作夥伴 • KA 關鍵活動 • KR 關鍵資源 • C$ 成本 75
- 76. 創意與創新 ─使用者體驗：改善一小步 資料來源：www.businessmodelgeneration.com 76 VP 價值主張 CR 客戶關係 CH 通路 CS目標客戶 R$ 收益 C$ 成本 KR 關鍵資源 KP 合作夥伴 KA 關鍵活動
- 77. 價值主張VP關鍵夥伴KP 關鍵活動KA 關鍵資源KR 客戶關係CR 通路CH 目標客戶CS 成本流C$ 收益流R$ 轉型工業4.0 (物聯網 + 大數據) 賣設備 維修設備 賣空氣 待維修時間長 無線通訊感應 代理商 維修設備 KA 關鍵活動 77
- 79. 商業模式 Business Model-Case01 價值主張關鍵夥伴 關鍵活動 關鍵資源 客戶活動 通路 目標客戶 成本流 收益流 79 在路邊臨時或緊急 乘車服務 計程收費 / 現金 馬路 提供搭乘工具 營業車 開車維生者 的合作社 專業駕駛 交通部 營業車維修 車行規費
- 80. 商業模式 Business Model-Case02 價值主張關鍵夥伴 關鍵活動 關鍵資源 客戶活動 通路 目標客戶 成本流 收益流 80 在路邊臨時或緊急 乘車服務 計程收費 / 現金 馬路 網路 計程收費 / 信用卡 提供搭乘工具 隨時隨處臨 時或緊急 乘車服務 創造共享經濟 加值服務 營業車 開車維生者 的合作社 專業駕駛 私家車車主 Uber 網路系統 雲端網路系統 交通部 高額罰款 行政救濟官司 營業車維修 車行規費
- 81. 商業模式 Business Model-Case03 價值主張關鍵夥伴 關鍵活動 關鍵資源 客戶活動 通路 目標客戶 成本流 收益流 81 在路邊臨時或緊急 乘車服務 計程收費 / 現金 馬路 網路 計程收費 / 信用卡 提供搭乘工具 隨時隨處臨 時或緊急 乘車服務創造共享經濟 加值服務 營業車 開車維生者 的合作社 專業駕駛 私家車車主 Uber 網路系統 雲端網路系統 交通部 高額罰款 行政救濟官司 營業車維修 車行規費 無人車 vs 自動駕駛 ? ? ?
- 82. 進入大數據應用領域 82 問題驅動取向 （Problem Driven Approach） 資料驅動取向 （Data Driven Approach） 資料來源：大數據@工作力 不同案例Big Dat商業模式差異比較，看出價值?!
- 83. 83 案例 應用大數據取向 大數據價值 UPS 四萬六千台車輛通訊感應器（物聯網） 修正送貨路線、節省成本 聯合健保 NLP 客服紀錄顧客錄音，並轉為文字 分析顧客滿意度資料，其他多個來源顧客資料， 由大數據團隊進行分析：健保理賠，疾病病程與 治療狀況 梅西.com 顧客導向資料分應用：個人化、精準廣 告與電子郵件、搜尋引擎最佳化 高數據技術大數據團隊：不該為用而用，注重投 資報酬率，只投資真能解決問題的技術上 美國銀行 龐大分散於各管道的交易、顧客、未結 構化等資料，注重前兩者 以往僅能抽樣，轉改採大數據技術，了解顧客， 明確定義區隔顧客，提供更一致、有吸引力的產 品與服務，由專案化大數據團隊負責 花旗銀行 有了總資料室基礎，面對日益增長企業 資訊，做好整合性、品質，轉換至大數 據善用開放源碼工具平台 降低成本、拓展環境、促進對顧客關係與顧客行 為了解，加深大數據科技創新，擴展地理限制顧 客影響範圍 希爾斯控股 領先同業的資訊科技應用能力，大數據 技術PB級零售資料整合-顧客、產品、 銷售、活動 提高行銷成果，把更多顧客找回店裡，從八週複 雜行銷活動推出時程，縮短成一週，更將大數據 營運能力獨立成公司對外服務 LinkedIn 活躍大數據活動-資料工程團隊、資料 產品團隊、商業資料分析團隊、產品資 料科學團隊等 加值應用數據的功能-搜尋用戶技能、可能認識 的人、類似工作、可能喜歡團體，預測最可能感 興趣的內容 資料來源：大數據@工作力
- 84. • A Culture of Big Data: Case Studies from Google • Data Science at Riot Games • 善用資料改善線上教育 : 一個十五人團隊，如何從無到有，融入資訊做決策 • 用數據解決都會城市的停車問題 • 有志一同：社群網路分析、電商、零售及網路行銷 • Data as a Service: 數據的新經濟 • 隨機對照實驗在公共領域的應用 • 數據分析在運輸管理之應用 • 全球網路攝影機帶來的機會與挑戰 • 大數據下的情緒分析 • 一個賭徒的告白 2：交易策略建構與分析，為何你該賭小一點 • 銀行資料這樣玩 • 從薪酬制度讀 CEO 的行為心理學 • 數位廣告大數據 • How to Approach Data Science Problems from Start to End: Two Case Studies • 自己的空氣品質自己量 : 談參與式環境感測的機會與挑戰 • 如何備料：資料的抓取、清理以及串接 • 心理與行為資料中的因與果 • 資料科學與防疫應用的結合 : 以登革熱防治為例 • 資料分析前的奏曲 : 談資料收集的挑戰 84 http://datasci.tw/agenda.php#!tab4 第一天 7/16 重要主題Big Data案例介紹
- 85. • 未來城市的任意門 (Mobility on Demand for Future Cities) • 從電腦視覺看人工智慧 : 下一件大事 • 人類行為訊號處理 : 跨學科 (醫療、教育、心理) 應用實例分享、心得、展望 • 有志一同：資料視覺化、資訊安全、教育大數據、健康醫療、財務金融、人工智慧/機 器學習/深度學習、開放資料及個資保護 • 公私協力的公共服務 - 以資料面詮釋 • The Inception of Learning from Big Video Data • 從手機解讀行為與心理 • Crowd Computing for Big and Deep AI • 智慧型工程管考系統 : 資料分析經驗談 • 音樂資料檢索 • 當語音處理遇上深度學習 • 貓都學得會的手機維修資料分析 • The Growth of a Data Scientist • Practical Issues in Machine Learning • 沒有大數據怎麼辦 ? 會計師事務所的小數據科學 • Feature Engineering in Machine Learning • 未來城市的交通運輸 • 漫談 R 的學習挑戰與 R 語言翻轉教室 • 娛樂產業中的資料科學家 : 談資料科學於線上遊戲與職業運動之應用 • 空間數據分析推動精準新農業 • Open Innovation as Strategic Plan • 世代之爭爭什麼 ? 談談如何從調查資料挖掘出豐厚的意義 • 資料視覺化的 20 個小訣竅 85 http://datasci.tw/agenda.php#!tab5 第二天 7/17 重要主題Big Data案例介紹
- 86. 2016台灣資料科學愛好者年會論壇， 以及兩天的前課程，分享! 86 1. 擁有資料並積極善用者，才能發揮資料的價值 2. 資料累積如同投資，要有長遠觀點與紮實行動 3. 資料在精不在多(微量、輕量、巨量)，面對資料要能問對問題，或是 從問對問題開始，才能找到並梳理資料 4. 大數據世界裡，強調分享與合作，誰都無法握有全部的資料，如何 拿到別人的資料? 或許從分享自己的手上"油"開始 5. 資料科學家為何身價如此高? 豐沛的實務經驗與對問題的敏銳度，同 時要經過資料科學技術鍛鍊(千錘百鍊)，大數據團隊沒有這樣的人才， 資料的一點價值都找不到? (擠不出半滴油? 或是劣油傷身?!) 6. 未來每家企業或組織都需要有"油"保身，挖礦礦工工作都得時時做， 不然對日後發展只能說「 Good Luck & Good Byte!」 分享與共勉! From Ta-Ming Chang
- 88. 88
- 92. 商業模式 Business Model 價值主張關鍵夥伴 關鍵活動 關鍵資源 客戶活動 通路 目標客戶 成本流 收益流 Data Drive 學&教 20% & 80% 92
- 93. 結語 93
- 95. x = 學生學習成效 (時間、學習力、投入、其他) y= 老 師 教 導 成 效 ( 時 間 、 教 導 方 法 、 教 材 、 其 他 ) 高 高 低 學習成效：科技創新 由數位內容轉為由資料驅動 以人為本 以科技為碁 ( 社 群 ) 教 導 接 力 。 因 材 施 教 ─ 透 過 方 法 與 科 技 創 新 結 合 ， 有 效 提 高 學 習 成 效 95
- 96. 以問題為導向（1.學習任務） 持續的學習任務 & 即時資源與支援 （2.支援資訊 & 3.即時支援資訊 ) ） 演練與學用合一 （4.部分工作演練） 4C/ID-Model四元素教學設計模式 ＆思翱157闖關式學習工作坊 由資料驅動（Data Drive）的學與教對話、互動，能深化學習 （整合 & 對話）並提高學與教的價值產出，並能有效精準回答，在學 習與教學指導情境，隨時的Why, Who, What, When, Where, How 1.深度學習 2.適性與個別化學習 3.支援回覆學生需求 4.評鑑與改善內容與流程 5.適切資源供學生選擇 美國教育部教育科技辦公室在 2012教育科技白皮書五項創新建議… 96
- 98. 領取問題後，開始進行參與式群體學習! 分別要記錄學生學習過 程的三件事： 1. 紀錄筆記查詢的次數 2. 紀錄同儕討論的次數 3. 紀錄求助老師的次數 98
- 99. 闖關操作:整合 & 對話 ─選擇組別，闖關面對問題 & 提出解方前，可尋求協助 & 支援與評分 Xtiveco App Beta v 3.0 99
- 100. 專家 引導 & 指導 群體 學習者個體 與主動 實體 群體互動學 習教室 虛擬 Facebook 社群媒體 歷程 持續的績效 評鑑 結果 績效診斷報 告 100 1.物聯網感知層、2.物聯網連結 與儲存層、3.物聯網應用層 2014物聯網跨界人才培育計畫©
- 101. 實績 ─大專院校、創業競賽、政府 • 大專院校 – 亞東技術學院（行銷流通系） – 淡江大學（教育科技系） – 新生醫護（國際商務科） • 創業競賽 – 物聯網跨界人才培育創業競賽 – 遊戲物聯網創業競賽 • 政府 – 北市公訓處（Excel高階函數） – 松山社區大學講師研習 （學習型城市計畫） • 活動 – 西門紅樓創業群聚-青草商圈 – Freedom實況園遊會 思翱157課堂競賽─儀表板 101
- 102. 實績 ─政府、公協會、公開課 • 政府 – 勞動部勞動力發展署大小人提種子 講師研習會 • 公協會 – 桃園培訓人員工會 （3D DIY助理工程班） – 新北市專業人員職能培訓人員職業 工會 • 公開課 – Catch你的眼 : 20種簡報提案力 – 系統思考專案管理即戰力 102
- 103. 實績 ─中小型企業、大型企業 • 公司 – 頂鑫會計師事務所 – 台灣日立內部講師訓練 • 政府創新研發補助 – 思翱夫子雲大數據服務開放創新 研發計畫 103
- 104. Xtiveco Cloud & App 登入 選取課程 選取單元 閱讀學習內 容 闖關 闖關 五個問題 解決與回答 幫幫忙： 社群參與 評分 & 支援 獲得倍力指 數 下一 關／單 元／ 課程 Data Drive 個人學習量化指標 ─倍力曲線 & 指數：個人績效（戰力M）、學習效能（效力E）、 關卡等級（硬力D），與參與貢獻 （協力S） 104
- 105. The 7 Principles of Design Learning Action Plan in 21 Century ‧Channel 7 Principles 實踐未來教育創新七種原則 Ta-Ming Chang (Aug , 2013 ) ALBITER七原則 ALBITER-R1 發揮大腦優勢與特性 ALBITER-R2 結合專家與群體資源與支援 ALBITER-R3 深入了解學習者需求 ALBITER-R4 以問題導向學習為策略 ALBITER-R5 結果與歷程的個別化評鑑 ALBITER-R6 善用學習科技為樞紐工具 ALBITER-R7 獲得老師的支持及參與 歐 倍 特 ─ 推 動 學 教 移 轉 中 心 的 七 項 原 則 ABC.LSTP redoubles Big Data T+D Service Guide for Instructor 105
- 106. 老師為中心 學生為中心 Online to Offline 使用者體驗 倍力大數據 MEDS Outcome to Outcome Level 1~5 整合 & 對話 評鑑 闖關幫幫忙 專家 & 群體 設計 & 發展 多元角色。LSTP 利害關係人 學生。老師。管理者 Learning Smart Smart Training Training Performance 學習生態 封閉 & 開放 共好 & 分享 以科技為碁 有效 結果 理性 以人為本 有趣 歷程 感性 1.深度學習 2.適性與個別化學習 3.支援回覆學生需求 4.評鑑與改善內容與流程 5.適切資源供學生選擇 數位學習新定義： 探索、體驗、 樂趣、授權 美國2012教育科技白皮書 106
- 107. Agile Design Thinking Innovation Flipped Learning & Analysis—以終為始、學習分析、數據驅動 A D D I E 107 D D E 教 學 設 計 要 讓 學 教 ( 移 轉 ) 更 好 ? ! “Transformation & Scale” 以 問 題 導 向 的 教 學 與 學 習 ? !
- 108. 108 http://www.learndash.com/9-essential-instructional-designer-skills/ H2H （Human to Human）教學設計 vs. 學習體驗設計 more… Agile Design Thinking
- 109. Transformation & Scale 雲端大數據學習新趨勢 109 人 才 培 育 練 兵 移 轉
- 110. 110 食 衣 住 行 育 樂
- 112. 112 項目 需求 體驗如何 食（1） 適合聚會又好吃餐廳？ 搜尋-地點-評比-官網-價錢-菜色-訂位 衣（2） 好看價錢實在衣服？ 搜尋-電商-推薦-樣式-售價-購物車-物流 住（5） 生活機能好租屋？ 搜尋-租屋網-地點-物件-價錢-外觀照片-房東-評比-看屋 行（3） 交通路線如何規劃？ 搜尋-地圖-起站-終點-交通工具-路線-車程時間-路況 育（6） 提升能力的名師課程? 搜尋-課程-時間-地點-名師-推薦-實體vs線上 樂（4） 哪裡好玩又如何玩? 搜尋-地點-景點介紹-推薦-遊樂設施-住房-價錢 有效、快速 精準、體驗
- 113. 113 需求 體驗如何 育（1） 提升能力的保證課程? 搜尋-課程-時間-地點-名師-推薦-實體 vs 線上 能力強化移轉與保證? 有效、快速、精準、體驗 練兵移轉 期盼他們能把很難的把我們教得很好。 如果能夠複製這樣的經驗與歷程， 那我們必定強大! 組織中總是有那些身手好，或是身懷絕技的人! 我們總希望他們能將知識、技能、經驗傳授出 來，因為生存環境是挑戰的! 選訓 用留
- 114. None of the five levels have experienced a statistically significant change in usage since 2009. ATD_Research_Evaluating_Learning_Getting_to_Measurements That Matter (2016) Level 1 Level 4 & 5 Level 2 Level 3 114
- 115. Ideally, evaluation efforts should provide insights that can be acted upon to drive improvements in the effectiveness of learning programs and the success of the business as a whole. ATD_Research_Evaluating_Learning_Getting_to_Measurements That Matter (2016) 115
- 117. 機器學習 Machine Learning 一個電腦程序從經驗E至學會， 針對某類任務T和性能指標P， 如果在T中的任務性能， 按P測量，提高了有經驗的E。 A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P if its performance at tasks in T, as measured by P, improves with experience E. 117 Tom M. Mitchell, WIKI 另一個定義：機器學習目標是要電腦編碼運用舉例的資料，或過去的經驗來 解決已知問題。 麻省理工學院 https://en.wikipedia.org/wiki/Machine_learning
- 118. 知識傳達 vs 能力傳授 徒：請問…師傅，您真是了得! 師：飯可以亂吃，問題不可以亂問!? Association for Talent Development(from ASTD T+D Magazine April 2016) 一個電腦程序從 [E] 至 學會，針對 [T] 和 [P]， 如果在 [T] 中的任務性 能，按 [P] 測量，提 高了有經驗的 [E] 。 E:根據知識、技能與經驗提問問題 P:部屬問題闖關及格通過率 T:部屬要對提問解決問題並回答 118
- 119. 119
- 120. 120 教室學習 數位學習 行動化學習 無所不在學習 Exploration Experience Excitement Empowerment + Learning fx (ABC.LSTP)=AlbiTer(handbooks, clouds, train the trainer) Ta-Ming Chang(2014, 2016) Online to Offline
- 123. 計畫執行架構 A1.研發闖關式教材框架 執行單位:合作研究 (5%) 權重15% A2.發展闖關式教材指引 執行單位:合作研究 (10%) B1.研發闖關式教學框架 執行單位:合作研究 (5%) 權重15% B2.發展闖關式教學指引 執行單位:合作研究 (10%) 權重100% C1.發展倍力數據雲端服務框架 執行單位:委託開發 (20%) 權重40% C2.發展雲端服務系統雛型 執行單位:委託開發 (20%) D1.研發線上及線下教學場域闖關式教材 執行單位:合作研究 (15%) 權重30% D2.教學場域模擬測試 執行單位:合作研究 (15%) D雲端雛型線上及線下教 學場域模擬測試 思翱夫子雲倍力大數 據創新服務研發計畫 A研發倍力闖關式教材發 展指引 B研發倍力闖關式教學實 施指引 C開發倍力大數據雲端服 務雛型 123
- 124. 刀譜-設計 屠龍刀-科技 耍刀的你 -師師認證 • Handbook (智財) • Cloud & Web App (大數據) • Trainer Certification (商業模式) 124
- 125. AlbiTer Mind Map P1 設定目標 P2 擬定計畫 P3 闖關式教學設計 P4 實施闖關式教學 P5 產生倍力大數據 P6 持續螺旋式學習 Designed by Ta-Ming Chang & Roger Lo , 2015/9ABC.LSTP redoubles Big Data T+D Service Guide for Instructor A l b i T e r ─ 推 動 學 教 移 轉 中 心 的 六 項 動 力 ABC.LSTP redoubles Big Data T+D Service Guide for Instructor 1 2 3 4 5 6 你感受過這樣的動力感覺嗎? 125
- 127. 實施方法：研發聯盟 訓練實施(D) 研發聯盟會議(檢討ABC) 依據指引進行 訓練需求 課程設計 教材發展 實施方法:委外開發 A教材發展指引 B課程實施指引 佐證文件 D教學場域模擬測試 AB指引改善 C系統改善 雛型開發 C雲端資訊系統 研發AB指引 研發C雲系統 A.B 指引 C 使用手冊 D各課程實 施紀錄 A.B C 改善執行 內容清單 計畫執行流程 127
- 130. 台灣日立 在線下( 130
- 131. 台灣日立 131
- 132. 安麗直銷商訓練BTC 132
- 133. 安麗直銷商訓練BTC 133
- 134. Business Goal & Transformation LSTP （Level 3-4-5） Learning Smart Smart Training Training Performance LSTP, Learning Smart Training Performance-Design by Ta-Ming Chang LSTP （Level 1-2-3） 學的好 & 教的棒 - 訓練績效看的見 134 Level 1 學到 賺到 得到 做到 問卷-滿意度（外） 能力自評 & 前後測 做 & 產出 績效、商業影響 效益-營收、 成本、社會責任 人到 準備度自評（內） Input & Process Micro Micro Macro Mega Kirkpatrick's four-level evaluation framework (update) + ROI and Kaufman & Keller’s five levels of critical organizational concern and evaluation. Point 5 Strategy Level 1-Reaction, Satisfaction, and Planned Action Level 2-Learning Level 3-Application Level 4-Business Impact Level 5-ROI、CSR Vision & Mission 1 2 3 4 5 0心到 （ 進 入 策 略 ） 6 Readiness 老手＋ 老手 中手＋ 中手 新手＋ 新手 Level 0-Level 0
- 135. 135
- 136. P>, E< | P<, E> | P>, E>，前者題目太簡單，中者題目太難，後者學習最多，再觀察小組，學員的闖關 看P泡泡大小，泡泡大為前提，E> | E <，前者表學習最多，後者學習沒效果，再觀察小組，學員的闖關 看P泡泡大小，泡泡大為前提，R> | R <，前者表對資源&支援需求多（投入學習動機強），後者則少，再觀察小組，學員 的闖關 看P泡泡大小，泡泡大為前提，Ｓ> | Ｓ<，前者表參與社群多（評分、支援投入多），後者則少，再觀察小組，學員的闖 關 整合學與教脈絡大數據應用的教育創新：以思翱倍力大數據服務為例（張大明，羅志傑，蕭舒方）@2016 136
- 137. 137
- 144. 144
- 145. 145
- 147. Designed by Ta-Ming Chang & Roger Lo （Sep, 2017） 147
- 148. 148 What happened? • 描述性分析 Descriptive Analytics Why did it happen? • 診斷式分析 Diagnostic Analytics What will happen? • 預測式分析 Predictive Analytics How can we make it happen? • 指導性分析 Prescriptive Analytics 價值 困難度 & 複雜度 傳統BI 進階分析-大數據 落後指標 洞見與覺察 領先指標 撿 找 人 算 神 算 Edited by Ta-Ming Chang , 2016/8/2 Big Data應用技術演變， 人 & 技術，大數據專案 本身
- 149. 4C/ID- model Step.1 思翱 157 Step.2 闖關 幫幫忙 Step.3 思翱 倍力 Step.4 研發 設計 科技 服務 149 活動設計複雜學習 行動遊戲式 數據驅動 規模化與 智能化 數據蒐集 與應用 設計-活 動（虛） 設計-活 動（實） 基礎理論 目的與需 求
- 150. 150 大數據研 究方法 大數據專 案團隊 學教脈絡 理論模式 學習分析 方法論與 演算法 學教脈絡 視覺化圖 表 企業內部練兵 學習 & 外部資源 1. 由使用者行為現場脈絡，蒐集必要資料，並且依照產業專業模式，對待與 探索這些資料? 2. 資料室如何進行加減乘除的，或是進階的演算法? 數據是拿來用的，不是拿 來看的! 3. 數據轉換成視覺圖表後，經探索發掘了什麼，這時需要的想像力! 4. 大數據團隊成員是否對數據分析探索是否充滿熱情? 5. 外部資料是否能夠為我們所用? 6. 我們要如何分享我們的資料?
- 151. 內功與外功 練大數據資 料之神功 151
- 152. 三大要素決定 Machine Learning 是否可以幫我們解決問題 • 第一：現象具有模式 (Patterns) – 現象、行為、規則 • 第二：該現象無法用簡單數學式表達 – 演算法： Supervised learning，Unsupervised learning， Reinforcement learning • 第三：必須要有數據 (Data) – 小、中、大數據 152http://chinese.classroom-aid.com/2014/10/the-classroom-will-learn-you.html/
- 153. 資料價值：有效分析 vs. 靈活運用 5.決策 最佳化 • 運用機器學習等 演算法，由程式 自動建議產生參 數， 4.行為 解讀 • 根據資料來解讀 個體／群體行為 背後的動機 3.預測 • 同樣是根據歷史 資料，但目的是 要預測，預測未 來的表現或需求 2.推薦 • 基於歷史資料， 將廣告或商品推 薦給潛在消費者 1.情勢 評估 • 利用資料分析， 來評估組織／個 人／產品／決策 的績效 153 大數據分析的技術導入，獲得有價值結果的五個目的與內涵 資料來源：陳昇瑋。為什麼很多企業大數據應用的效益，沒有專家說的那麼神？科技橘報 https://buzzorange.com/techorange/2016/06/27/big-data-analysis-practice/
- 154. Big Data應用 —加速、自動化、智能化 • Big Data萃取出智慧的作法，和傳統人工智慧 （artificial intelligence）的作法有很大的區別 – 過去很多人所發展的人工智慧技術，重視演算法 （algorithm）和模型（model）的開發 – 自然語言處理（natural language processing, NLP） 這個領域，偏重於文法、語意的規則（rules），想辦 法把諸多的規則放進電腦，希望讓電腦成為有能力分 析人類語言的專家系統（expert systems） 154
- 155. 教英文的方法為例 • 在台灣國中裡面文的方法 – 要學生背誦各種拼音、造字、文法規則，希望 他們能夠以此看懂文章，按照文法作文 以Big Data做自然語言處理 的方法，並不講究文法 155
- 158. Impact • TEDxBroadway演講，Ben Wellington 提供五項原則， 透過故事讓數據更有意義(Making data mean more through storytelling) – 1.連結人們的經驗 Connection with People's Experiences – 2.專注一個創意 Focus One Idea – 3.讓它簡單化 Keep it Simple – 4.探索你最熟悉的 Explore the Things You Know Best – 5.發生改變 Make an Impact 158 https://youtu.be/6xsvGYIxJok
- 163. 163 領先指標 vs 落後指標 好設計 vs 好服務 門面 vs 包 裝行銷 持續改善
- 164. 大數據專案 —資訊系統開發專案 • 失敗 or 成功 – 為什麼需求會議開了多次，需要異動狀況還是層出不前，造成時 間延遲，預算超支? – 為什麼花了這麼多錢的大數據專案(系統)，使用者總是抱怨連連， 預期效益沒有發生或不佳? • 需求 or 目的 – 「這個Idea在幹什麼」? – 客戶您知道 「您真的知道自己在幹什麼」? – 專案經理您知道 「您真的知道客戶在幹什麼」? – 討好客戶的PM，亂開難以實做與無實際效益的規格 – 規格表現的形式讓RD難以理解實做 – Problem Statement的人，不懂技術是搞不定的? 164 http://blog.xdite.net/posts/2014/05/29/from-idea-to-product-user-story
- 165. ABOUT 願景 vs. 需求 願景 → 價值→ 目的→需求 165
- 167. 溝通形式與流程 • 感性的感覺 –故事情節 –情境 vs. 角色 –情境：人事時 地物 • 理性的事實 –邏輯的考驗：因 果 vs 順序 –提問者 vs. 回答 者 –問題的描述 –回答的描述 167
- 168. Story Board & Why-How —Tools • Story – 當我是(As a) – 我想要(I want to) – 所以(So that) • Acceptance Criteria – 就提供使用者(Given) – 當(When) – 然後(Then) • Conversations – 對於目的需求確切的描述 – 對於一些額外限制的描述 – 轉換為規格描述 Why How 168
- 169. 改善流程 • 分析 – 方法：量化與質化 – 溝通：當責者與參與者-團隊合作 • 找出問題 – 發散 & 收斂 • 行動-改善措施 • 驗證確認 – A/B Test 169
- 170. Machine learning? 170 Machine Learning Tutorials for Beginners (Microsoft) https://youtu.be/xmvEGS5Xbpg
- 171. 簡單說… 171 Machine Learning Tutorials for Beginners (Microsoft) https://youtu.be/xmvEGS5Xbpg
- 172. Machine learning…How? • Supervised learning – 監督式學習，可以由訓練資料中學到或建立一 個模式，並依此模式推測新的實例。 • Unsupervised learning – 非監督式學習，並不需要人力來輸入標籤。它 是監督式學習和強化學習等策略之外的一種選 擇。 172 Source : WIKI https://en.wikipedia.org/wiki/Machine_learning
- 173. 173 Machine Learning Tutorials for Beginners (Microsoft) https://youtu.be/xmvEGS5Xbpg
- 174. 174 Machine Learning Tutorials for Beginners (Microsoft) https://youtu.be/xmvEGS5Xbpg
- 175. 三大要素決定 Machine Learning 是否可以幫我們解決問題 • 第一：現象具有模式 (Patterns) – 現象、行為、規則 • 第二：該現象無法用簡單數學式表達 – 演算法： Supervised learning，Unsupervised learning， Reinforcement learning • 第三：必須要有數據 (Data) – 小、中、大數據 175http://chinese.classroom-aid.com/2014/10/the-classroom-will-learn-you.html/
- 176. CRISP-DM —資料採礦建模的標準，CRISP-DM：Cross-Industry Standard Process for Data Ming 定義商 業問題 資料理解 資料預處理 建立模型 評價與解釋 176 Business Understanding Data Understanding Data Preparation Modeling Evaluation
- 178. 178 自 助 型 B I 工 具 讓 使 用 者 運 用 快 速 做 出 有 影 響 力 的 決 策
- 180. 模板、範本 180
- 181. 如何找尋、適配並說故事 181
- 182. Dashboard設計與製作 —6 Best Practices for Creating Effective Dashboards 連結所有 的資料 Connect to All of Your Data 將資料混合 在一起 Blend Your Data Together 選擇有用的指 標 Choose Metrics that Matter 優化視覺化圖 表 Utilize Better Visualizations 運用資料在您 的領域 Use your Data in the Field 182 by Andy Cotgreave, Sr. Data Visualization Evangelist - Tableau
- 183. DELTA模式 —大數據資料分析發展模式 資料 Data 企業 Enterprise 領導 團隊 Leadership 目標 Target 分析 Analysis 183資料來源：大數據@工作力
- 184. DELTTA 大數據 資料 找出可能的資料來源、經過處理將未結構化資料轉換為結構化資料，將 多個來源資料整合到同一資料集中；平日的資料治理，整合至大數據流 程 企業 早期接納-新創或線上企業；試探-驗證概念或探索資料，非完全量產應 用；導入-合理分配資源或結合多項專案、創造綜效 領導團隊 對大數據信心；待在橋上的溝通者；很難評估投資報酬率，投如新產品、 新服務或加快決策流程的挑戰；決策者的耐心 目標 組織的選擇與大數據應用的順序；嘗試與驗證 vs. 效益價值（降低成本、 提高處理資料的速度、開發新產品或服務、利用新資料與新模型改良決 策） 技術 平台架構、語言、視覺化工具，與機器學習演算法等 分析 資料科學家-水平或垂直型，駭客、科學家、顧問、量化分析師、商業 專家 184資料來源：大數據@工作力
- 185. 大數據整體技術架構 —如何與傳統資料倉儲＆資料分析基礎架構並存 • Hadoop – 用於在多個平行伺服器上處 理大數據開放原始碼軟體 • MapReduce – Hadoop據以發展的基礎架 構 • 腳本語言 – 與大數據企業的程式語言 （如 Python、Pig、Hive、 R等） • 機器學習 – 用於迅速找出最適於某資料 集的軟體技術 • 視覺化資料分析 – 以影像或圖像形式呈現資料 分析結果 • 自然語言處理 – 用於分析文字出現的頻率、 意義等事項軟體 • 記憶體內建資料分析 – 能夠在電腦記憶體中以更高 速處理大數據 185資料來源：大數據@工作力
- 186. 資料科學家 —要有經驗的Big Data分析師是很困難的事 • 因為除了懂得分析之外，還必須能充分了解和運 用Big Data所使用的平台技術， • 目前具備實務經驗的Big Data分析師一位難求 186
- 196. 對資訊部門 —分辨資料分析技術差異並盤點現況 • 資料分析差異 – 傳統統計分析：建立假說，再檢驗它是否有資料相吻合 – 大數據資料分析：運用機器學習，自動建模手法，套用多種模式 到資料上，以找出最吻合模式 • 技術評估 – 如何將大數據能力加到目前的資訊基礎架構 – 是否具備適切技術基礎能力，能夠切入大數據方案，譬如：開放 源瑪工具平台 • 組織評估 – 評估組織初步性問題是大數據的新技術可能幫忙解決的 – 思考大數據技術在未來組織中扮演特定角色與功能 – 運用與導入大數據技術的階段步驟，以及經費與人力的資源 196資料來源：大數據@工作力
- 200. 200 天下武功 無堅不摧 唯快 (準 & 先) 不破 大數據神功很神奇，不過也很平凡，基本功還是關鍵… 外功、內功 vs. 心法
- 201. 201 Source：IFPC
- 202. 學習資源-搜尋關鍵字 • 資料科學 Data Science • 大數據 Big Data • 機器學習 Machine Learning • R語言、Python • 網路爬蟲-Crawler • 分析方法- – 描述性分析 Descriptive Analytics、診斷式分析 Diagnostic Analytics、 預測式分析 Predictive Analytics、指導性分析 Prescriptive Analytics • 演算法- – Supervised learning，Unsupervised learning，Reinforcement learning • 大演算-機器學習五大學派 – 演化論學派、類神經網路學派、符號理論學派、貝氏定理學派、類比推理學派 • 歐倍特 AlbiTer 202 http://www.books.com.tw/products/0010722761
- 206. 英國開放知識基金會（OKFN）開放資料 （Open data）國際評比結果出爐，台灣在 全球149個國家中名列世界第一 206 http://www.appledaily.com.tw/realtimenews/article/new/20151209/749534/ • 2013年名列第36名 • 2014年名列第11名 • 2015年進步到第1名
- 207. 開放資料(Open Data) 一秒搞懂政府網站創意競賽 • 透過Open Data之需求彙整與推廣，鼓勵業界自主發展開放資料應用與改良 商業模式，建立起示範標竿，進而帶動各項創新服務，活化整體社會經濟。 並藉由多元推廣宣傳來促進知識擴散與學習，以有效全面提升Open Data的 觀念與認知。 207 http://opendata.tca.org.tw/
- 209. Open Data Top 20 1. Data.gov.uk the UK government’s open data portal including the British National Bibliography – metadata on all UK books and publications since 1950. 2. Data.gov Search through 194,832 USA data sets about topics ranging from education to Agriculture. 3. US Census Bureau latest population, behaviour and economic data in the USA. 4. Socrata – software provider that works with governments to provide open data to the public, it also has its own open data network to explore. 5. European Union Open Data Portal thousands of datasets about a broad range of topics in the European Union. 6. European Data Portal is a European portal that harvests metadata from public sector portals throughout Europe. EDP therefore focuses on data made available by European countries. In addition, EDP also harvests metadata from ODP. 7.DBpedia crowd sourced community trying to create a public database of all Wikipedia entries. 8. The New York Times a searchable archive of all New York Times articles from 1851 to today. 9. Dataportals.org datasets from all around the world collected in one place. 10. The World Factbook information prepared by the CIA about, what seems like, all of the countries of the world. 209 http://datatovalue.co.uk/top-20-open-data-sources/
- 210. Open Data Top 20 11. NHS Health and Social Care Information Centre data sets from the UK National Health Service. 12. Healthdata.gov detailed USA healthcare data covering loads of health related topics. 13. UNICEF statistics about the situation of children and women around the world. 14. World Health organisation statistics concerning nutrition, disease and health. 15. Amazon web services large repository of interesting data sets including the human genome project, NASA’s database and an index of 5 billion web pages. 16. Google Public data explorer search through already mentioned and lesser known open data repositories. 17. Gapminder a collection of datasets from the World Health Organisation and World Bank covering economic, medical and social statistics. 18.Google Trends analyse the shift of searches throughout the years. 19. Google Finance real-time finance data that goes back as far as 40 years. 20. UCI Machine Learning Repository a collection of databases for the machine learning community. 21.National Climatic Data Center world largest archive of climate data. 210 continue
- 212. 台南2015年登革熱恢復狀況 212 https://www.taiwanstat.com/realtime/tainan-2015-denguefever-recovery/ • 資料來源：臺南市政府資料開放平台 • 最新病例資料日期：2015/12/08 • 圖表呈現臺南市各里近期的登革熱狀況，依 「近2週內無病例」、「近1周內無病例」與 「其他」三種情況區分。 @2016/8/5 http://www.slideshare.net/tw_dsconf/ss-64078404 莊坤達/資料科學與防疫應用的結合 : 以登革熱 防治為例
- 213. 臺灣2013－2016年輿情演變 213 https://www.taiwanstat.com/statistics/news-topic-evolution/ Obama, the ‘big data’ president https://goo.gl/0Ywuix https://join.gov.tw/
- 215. 215 『Big Data， Better Health』 -PHILIPS 『最大的挑戰是如何 把健康資料轉換為具 有價值與意涵的格式 並且整合於醫療系統 之中』 Source: https://www.flickr.com/photos/juhansonin/
- 216. 216 2017 Open Data創新應用競賽 複選晉級名單公告 參賽編號 產品或服務名稱 獎項 獎勵 OD- 36790009 Lawsnote 優等 15萬 OD- 78760167 65資訊網-福利快搜 優等 15萬 OD- 97200111 Give me Find (幫我找)-促進寵物 福利協尋平台 優等 15萬 OD- 76440090 大眾運輸診斷幫手 優等 15萬 OD- 77480042 台鐵時刻通 優等 15萬 OD- 55390147 Runvis 優等 15萬 OD- 39310181 Direction Giver-尋路 您的好基友 優等 15萬 OD- 18700154 SportBrave健身勇者 優等 15萬 OD- 56170231 學生科學研究OD小助手 優等 15萬 OD- 86580081 詐騙奧特 優等 15萬 OD- 85370221 carryME 優等 15萬 OD- 62570177 Bump 優等 15萬 OD- 98040134 Taiwan Work - 第一級產業人力銀 行 優等 15萬 OD- 85930116 OhMyFood吃吧 優等 15萬 OD- 33170125 原來我們這麼近 優等 15萬 OD- 21930165 屋夠準 產品潛力獎 獎狀一紙 OD- 50120261 HOMESEEN放心小幫手—失智症 專屬生活指南 產品潛力獎 獎狀一紙 OD- 22320088 健保無限加 產品潛力獎 獎狀一紙 大會指定類 - 開放資料應用組 參賽編號 產品或服務名稱 獎項 獎勵 OD- 66450085 芬多精 優等 20萬 OD- 34970021 遭!那裡去 優選 10萬 OD- 41280110 究平安 入選 5萬 OD- 15830098 車聯網應用之商業車輛環 境災害主動警示資訊系統 產品潛力 獎 獎狀一紙 政府及企業指定類 - 個人版防災地圖應用組
- 217. 217 參賽編號 產品或服務名稱 獎項 獎勵 OD- 20970163 果子樹頭: 台灣農特產品選購小幫 手 優等 20萬 OD- 67280170 起床匯報鬧鐘 優選 10萬 OD- 23290024 氣象少女 入選 2.5萬 OD- 35870037 銀河See 入選 2.5萬 政府及企業指定類 - 智慧生活之氣象應用組 參賽編號 產品或服務名稱 獎項 獎勵 OD-31160057 Open Farm 優等 20萬 OD-51090212 植醫爸 優選 10萬 OD-64530158 農產溫度計 入選 5萬 政府及企業指定類 - 農業開放資料應用組 參賽編號 產品或服務名稱 獎項 獎勵 OD- 66010118 金融圖靈系統 優等 15萬 OD- 45880256 生活 Chat 寶 優選 10萬 OD- 24570207 省電通 入選 5萬 政府及企業指定類 - 經濟地理資料應用組 參賽編號 產品或服務名稱 獎項 獎勵 OD- 74890190 Zenbo Air+ 優選 華碩Zenbo 機台乙台 OD- 98210133 智慧健康管家 優選 華碩Zenbo 機台乙台 OD- 62850079 鼎瞳機動隊 產品潛力獎 獎狀一紙 OD- 53570187 Guardian-Zen 產品潛力獎 獎狀一紙 政府及企業指定類 - 華碩Zenbo智慧機器人應用組 https://opendata.tca.org.tw/index.php/article/readfull/1/38
- 219. 219 https://opendata-contest.tca.org.tw/announcement2.aspx 政府及企業指定類 - easy Traffic服務平台組 政府及企業指定類 - 氣候變遷創新應用組 政府及企業指定類 - 農業開放資料應用組 政府及企業指定類 - 經濟開放資料應用組 政府及企業指定類 - TGOS MAP應用組 大會指定類 - 開放資料應用組
- 220. 220 天氣
- 221. 221 交通運輸
- 222. 222 健保、勞保
- 224. 224 旅遊
- 226. 226 育睿科技股份有限公司 since 2012 註冊商標 。台灣─ABC, Active Brain Capacity，LSTP, Learning Smart Training Performance ，ABC.LSTP ，思翱 ，思翱 157，思翱夫子學院 ，思翱夫子雲。中國─思翱 ，思翱157 地址：亞東技術學院創新育成中心 （22061新北市板橋區四川路二段58號60420F室） T:02-77385766 | F:02-77385768 www.abctech.pro | service@abctech.pro ActiveBrainCapacityTech-Learning and Performance Inc. Room 60420F, Oriental Institute of Technology - Innovation Incubator Center （Room 60420F, No.58, Sec. 2, Sichuan Rd., Banqiao Dist., New Taipei City 22061, Taiwan R.O.C.） T:886-2-77385766 F:886-2-77385768 願景：以愛、智慧成就豐盛人生， 使團隊更卓越、世界更美好 使命：愛、智慧、傳承
- 227. 227
- 229. 229
- 231. QA10 大數據 231
- 235. 大數據分析決策與商業應 用ERP, CRM最大不同? 領先指標 vs 非領先指標（落後） Q4 235
- 240. TB級資料應用與分析才 能稱為大數據分析嗎? Type A. Big data 問題跟 Small data 是一樣的 Type B. Big data 問題等同一大群 Small data 的問題 Type C. Big data 問題需要靠特製系統解決 Q9 http://readata.org/three-type-problem-for-big-data-analytics/ 240
- 242. 學習資源-搜尋關鍵字 • 資料科學 Data Science • 大數據 Big Data • 機器學習 Machine Learning • R語言、Python • 網路爬蟲-Crawler • 分析方法- – 描述性分析 Descriptive Analytics、診斷式分析 Diagnostic Analytics、 預測式分析 Predictive Analytics、指導性分析 Prescriptive Analytics • 演算法- – Supervised learning，Unsupervised learning，Reinforcement learning • 大演算-機器學習五大學派 – 演化論學派、類神經網路學派、符號理論學派、貝氏定理學派、類比推理學派 242 http://www.books.com.tw/products/0010722761