2025 10 28 左永安顧問 恭喜 社團法人新北市整復推拿交流協會 TTQS 人才發展品質管理系統 Talent Quality-management System 通過
左記歐洲美國台灣百年進出口商行 安永經營管理商學院 台北愛情學院 101戀愛公寓 EMBA SPA Business College 希臘愛琴海 奢華時尚 生活美學國家品質獎 國家訓練品質獎 歐洲卓越經營模式 美國卓越經營模式 PMP 雲端ERP TTQS ISO10015 英國IIP ASSTD SBIR 芳香精油療法 人力創新獎 創業輔導諮詢 TOC精實管理 MIT經營管理 全球顧問團 時尚精品綠色商城 網誌
2025年10月30日 星期四
2025年10月29日 星期三
2025 10 30 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 效能評估指標 不同任務 對 模型效能 的 要求不同， 常用的評估指標包括： a. 準確率（Accuracy）：b. F1 分數（F1 Score）：c. 均方誤差（MSE）：
效能評估指標
不同任務 對 模型效能 的 要求不同，
常用的評估指標包括：
a. 準確率（Accuracy）：
衡量 模型 預測正確 的比例，適用於 平衡的 分類問題。
b. F1 分數（F1 Score）：
綜合考慮精確率（Precision）和召回率（Recall），
適合 處 理數據不平衡 的問題。
c. 均方誤差（MSE）：
適用 於 迴歸問題，反映預測誤差的大小。
2025 10 29 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 經濟部 iPAS AI應用規劃師初級能力鑑定 人工智慧基礎概論 (L11) 資料處理與分析概念 統計假設 （hypothesis）主要包含以下部分： 虛無假設（null hypothesis）：對立假設（alternative hypothesis）： 假設檢定 （testing hypothesis）
統計假設 （hypothesis）
指對 母體分佈 的 陳述 或 推測，即 關於母體特性的
一種假設性敘述 （statement）。
統計假設主要包含以下部分：
虛無假設（null hypothesis）：
以符號 H0 表之，表示不存在顯著 效果或差異，通常作為檢定的基準假設。
對立假設（alternative hypothesis）：
以符號 Ha（或H1, K）表 之，與虛無假設相對，表示存在顯著效果或差異。
統計假設可進一步分類為
簡單假設（Simple Hypothesis）：
完全確定 母體分佈 的 所有參數。
複合假設（Composite Hypothesis）：
僅對 母體分佈 的 部分參數 作出假設
假設檢定 （testing hypothesis）
基於母體之一組隨機樣本X，以決定兩個假設（H0, Ha）中何者 該拒絕。
2025年10月28日 星期二
2025 10 29 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 生成 式人工智慧 的 訓練過程 主要分為 兩個階段： （1）訓練階段： （2）微調階段：。TTQS 人才發展品質管理系統 Talent Quality-management System 若想要追求金牌 國立臺灣大學 臺灣師範大學 EMBA 找左永安顧問輔導 AI-ESG- PMP- HRD- ICAP- IPAS 人力資源管理 專案管理 品牌管理 策略管理 關鍵就業力 共通核心職能 師資 左記歐洲商行 安永經營管理顧問
生成 式人工智慧
的 訓練過程 主要分為 兩個階段：
（1）訓練階段：
模型 會在 大量的文本數據上 進行訓練，學習語言的規律和模式。
這個階段的 目的是讓模型具備基本的 語言理解 和 生成能力。
模型會 從大量的數據中 學習到 數 據的 分布、模式 和 特徵。
A. 數據準備
數據蒐集：
蒐集大量的、高品質的數據，這些數據將作為模型訓練的素材。
數 據的數量和品質直接影響模型的生成效果。
數據清洗：
對蒐集到的數據進行清洗，去除雜訊、異常值和不一致的部分，
確保數據的乾淨和可靠。
數據預處理：
將數據轉換為模型可以處理的格式，
例如，將 文本 轉換為 數字向 量。
B. 模型選擇與搭建：
選擇模型：
選擇適合任務的生成模型，常見的模型包括
生成對抗網路（GAN）、
變分自編碼器（VAE）、
Transformer 等。
搭建模型：
根據所選模型的結構，搭建模型的各個層級，
包括輸入層、隱藏層 和輸出層。
C. 模型訓練：
損失函數：
設計一個適當的損失函數，用來衡量模型生成的數據與
真實數據之 間的差異。
優化器：
選擇一個優化器，如Adam、SGD，用來更新模型的參數，
使得模型生 成的數據越來越接近真實數據。
迭代訓練：
反覆輸入訓練數據，計算損失，並根據損失更新模型參數，
直到模 型收斂或達到預定的訓練次數。
（2）微調階段：
在預訓練模型的基礎上，使用特定領域或任務的數據
進行進一步訓練，以提 升模型在特定任務上的表現。
A. 特定任務優化：
調整超參數：
根據任務的具體需求，調整 學習率、批量大小 等超參數。
添加特定層：
為模型添加一些特定於任務的層，如在文本生成任務中，
可以添 加一個語言模型層。
B. 數據精調：
使用特定數據集：
使用與特定任務相關的數據集進行微調，以提高模型在該任 務
上的效能。
數據增強：
透過對數據進行一些變換，如旋轉、翻轉等，來增加數據的
多樣性， 提高模型的泛化能力。
生成式人工智慧的訓練 是一個複雜且迭代的過程，透過訓練和
微調，模型能 夠 學習 到數據的複雜模式，並生成具有創造性的
內容，影響生成模型效果的因素
包括：
數據品質：
數據的 數量、品質和多樣性 對模型的效能 有決定性的影響。
模型結構：
不同的模型結構 適合不同 的 任務。
超參數設置：
合理的超參數設置可以 加速 模型 的 收斂 並 提高效能。
計算資源：
訓練大型生成模型需要大量的計算資源。
2025 10 28 左永安 顧問/講師/委員 深度學習（Deep Learning） 構建於人工神經網路基礎之上，適用於處理非結構化數據，如語音辨識、影像 處理與自然語言處理（NLP）等；常見的開發框架包括TensorFlow、PyTorch等。
深度學習（Deep Learning）
構建於 人工神經網路 基礎之上，
適用於 處理 非結構化數據，
如
1. 語音辨識
2. 影像 處理
3.自然語言處理（NLP）
常見的開發框架
包括 TensorFlow、 PyTorch 等。
2025 10 28 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 經濟部 iPAS AI應用規劃師初級能力鑑定 人工智慧基礎概論 (L11) 人工智慧概念 1.AI的定義與分類 2.AI治理概念 資料處理與分析概念 1.資料基本概念與來源 2. 資料整理與分析流程 3. 資料隱私與安全 機器學習概念 1. 機器學習基本原理 2. 常見的機器學習模型 鑑別式AI與生成式AI 概念 1. 鑑別式AI與生成式AI的基本原理 2. 鑑別式AI與生成式AI的整合應用
人工智慧概念
1.AI的定義與分類
2.AI治理概念
資料處理與分析概念
1. 資料基本概念與來源
2. 資料整理與分析流程
3. 資料隱私與安全
機器學習概念
1. 機器學習基本原理
2. 常見的機器學習模型
鑑別式AI與生成式AI 概念
1. 鑑別式AI與生成式AI的基本原理
2. 鑑別式AI與生成式AI的整合應用
2025 10 28 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 經濟部 iPAS AI應用規劃師初級能力鑑定 鑑別式AI主要應用 於 分類、辨識 與 預測等領域 a. 影像辨識（如人臉辨識、醫學影像診斷） b. 語音辨識（如語音轉文字） c. 自然語言處理（如情感分析、語意理解） d. 風險評估（如信用評級、金融詐欺偵測） 生成式AI則適用於 內容 創建 與 數據 增強，
鑑別式AI主要應用
於 分類、辨識 與 預測等領域，
如：
a. 影像辨識（如人臉辨識、醫學影像診斷）
b. 語音辨識（如語音轉文字）
c. 自然語言處理（如情感分析、語意理解）
d. 風險評估（如信用評級、金融詐欺偵測）
生成式AI則適用於
內容 創建 與 數據 增強，
例如：
a. 內容生成（如ChatGPT生成對話、DALL-E創作藝術圖像）
b. 風格轉換（如將照片轉換為特定藝術風格）
c. 數據增強（如生成額外訓練數據來提高機器學習模型的泛化能力）
d. 影音合成（如Deepfake 技術用於虛擬角色創建）
2025年10月27日 星期一
2025 10 27 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 經濟部 iPAS AI應用規劃師初級能力鑑定 人工智慧基礎概論 (L11) 鑑別式AI 與 生成式AI 整合 整合兩者的優勢已成為人工智慧未來發展的重要趨勢。 透過 協同應 用，整合能更有效地解決 數據生成、分類預測、模型泛化等多層次問題
鑑別式AI與生成式AI
是人工智慧技術的重要支柱，
兩者在目標與技術層面 各具特色，
但 整合兩者的優勢已成為人工智慧未來發展的重要趨勢。
透過 協同應 用，整合能更有效地解決
數據生成、分類預測、模型泛化等多層次問題，
進而推 動技術創新與產業落地，
特別是在醫療、交通、金融、教育等領域逐漸展現出突 破性的技術價值。
（1）整合應用的價值
A. 數據增強與分析的協同效應
生成式AI的 數據生成能力 與鑑別式AI的 分類預測能力相輔相成，
形成一個 高效且協同的數據處理體系。
生成式AI能夠模擬真實數據分佈，創造出多樣化且 逼真的數據樣本，
解決 數據稀缺、數據不平衡等問題，而鑑別式AI則能進一步對
這些數據進行分類、預測與分析。
例如，在醫療影像分析中，真實病理影像數據 稀缺
一直是模型訓練的一大瓶頸。
生成式 AI，特別是生成對抗網路（GAN），可以生成高品質
的病變模擬影像，這些生成的影像可以被鑑別式AI模型用於訓練，
提高模型識別腫瘤、病灶等異常特徵的能力。
這不僅解決了數據不足的問題，還 能提高模型的
泛化（Generalization）效能和準確率。
此外，在金融風險評估中，生 成式 AI 可以模擬不同市場條件下
的交易場景，生成大量符合真實情境的金融數 據，
幫助鑑別式 AI 更全面地評估潛在的市場風險，進而提供更為可靠
的預測結 果。
B. 多模態數據的處理與應用
現代人工智慧的應用場景逐漸趨向多模態化，即同時處理多種數據形式，
包 括圖像、文本、語音等。
生成式AI和鑑別式AI的整合應用在多模態數據處理方 面
展現出強大的能力。
生成式AI 負責 跨模態數據 的 生成與轉換，
讓系統具備多樣 化的 數據輸出能力；
鑑別式AI 則透過強大的 判斷與分析能力，實現對多模態數據 的
精確分類與決策。
例如，在自動駕駛技術中，生成式AI可生成各種天氣條件、光線變化、
路面 狀況等虛擬駕駛場景，幫助鑑別式AI模型學習應對各種複雜
情境的決策策略。
這 樣的訓練方式能極大提升自動駕駛系統的安全性和可靠性。
此外，在智慧語音互 動系統中，生成式AI可根據用戶需求生成自然流暢的
文本回應，而鑑別式AI則 負責進行語音辨識與語意分析，
確保互動的準確性與智慧性，從而打造更為個人 化的虛擬助理系統。
C. 提升模型的泛化能力
生成式AI透過生成多樣化的數據樣本，可以 顯著擴展
鑑別式AI的 學習邊界，
增強模型在處理未知情境時的 泛化能力。
在許多實際應用中，模型需要應對大量 變化或未見數據，
這對其泛化能力提出了更高要求。
例如：
教育領域：生成式AI可模擬不同學生的學習場景與行為數據，
為教師和學習輔 助系統提供豐富的訓練數據。
這些數據可被鑑別式AI模型用於分析學生的學習 特徵，
進而設計出更為個人化、針對性的學習方案，
提高學習成效。
智慧城市管理：在智慧城市應用中，生成式AI可模擬各類突發事件，
如交通事 故、自然災害等場景，生成大量應急數據，
供鑑別式AI用於預測風險並制定應 對策略。
這樣的整合應用，有助於城市管理部門提前進行應急
部署，降低風險 帶來的損失。
（2）整合應用的技術優勢
A. 數據生成與判斷的融合
整合生成式AI和鑑別式AI的技術優勢，能實現數據生成與判斷的
無縫協同。
生成式AI提供高品質、多樣化的數據，而鑑別式AI則對這些
數據進行精確判斷，
從而構建出一個更加高效的智慧決策系統。
例如：
醫療圖像診斷：生成式AI使用GAN模型生成真實感極高的病理影像，
這些模 擬影像可用於訓練卷積神經網路（CNN）
等鑑別式AI模型，從而提高模型對真 實醫療影像的
分類準確性。 精確性。
異常檢測 ：在工業製造與網路安全領域，生成式 AI 可模擬潛在的
異常數據場 景，而鑑別式AI則負責識別和
標記異常數據，進一步提升異常檢測的
即時性與精確性。
B. 即時分析與回饋（反饋）機制
生成式AI和鑑別式AI的整合應用 支援即時數據分析 與
動態回饋（反饋），有 助於系統根據即時變化的環境條件迅速
做出應對決策。
例如：
自動駕駛場景：生成式AI模擬複雜環境條件，如濃霧、冰雪路面
等情況，鑑別 式AI根據即時模擬數據進行環境識別
和路徑規劃，生成最佳駕駛策略。
網路安全防禦：生成式AI模擬潛在的攻擊模式，
鑑別式AI即時分析網路流量，
快速識別異常行為並提供防禦策略。
C. 系統的靈活性與適應性
生成式AI和鑑別式AI的整合系統具備高度靈活性和適應性，
能根據不同需求動態調整數據生成與決策流程。
例如：
智慧客服系統：生成式AI根據用戶需求生成多樣化的
回應文本，鑑別式AI負 責過濾不當內容，
提供高度個人化、可靠的客服支援服務。
內容生成與審核：生成式AI用於生成新聞稿件、廣告文案
等，鑑別式AI則進 行內容合規性和品質
檢測，確保最終輸出結果符合標準要求。
（ 3）整合應用的挑戰與解決策略
A. 模型訓練穩定性
生成式 AI 的訓練過程經常面臨模式崩潰
和梯度消失等問題，這會影響生成 數據的多樣性與品質，
進而削弱整合應用的效果。
為了解決這一問題，可以採用 Wasserstein GAN（WGAN）等改進型
模型，提升生成過程的穩定性。此外，引入 自適應優化技術能
有效解決訓練中的不穩定性。
B. 數據偏差與公平性
生成式AI生成的數據可能放大訓練數據中的偏差，
而鑑別式AI基於此進行 分類決策時，可能引發不公平問題。
解決方法包括在數據生成過程中引入 去偏演 算法，
並 強化數據審核機制，確保數據的多樣性和代表性。
C. 整合架構的設計與實現
將生成式AI與鑑別式AI結合需要設計靈活且高效的系統架構，
這涉及模型 之間的通訊與數據共享。
解決方案包括採用
分層架構 分別處理 數據生成 和 分類任 務，
並透過共享層進行即時資訊交換。
此外，動態學習框架能確保系統根據數據
分佈的變化即時進行調整和優化。
2025年10月26日 星期日
2025 10 27 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 經濟部 iPAS AI應用規劃師初級能力鑑定 人工智慧基礎概論 (L11) 模型評估與優化 模型訓練完成後，必須 透過 評估指標 對 模型效能 進行驗證， 並 根據結果 進一 步 優化模型 A. 效能評估指標 a. 準確率（Accuracy）： b. F1 分數（F1 Score）： c. 均方誤差（MSE）： B. 交叉驗證 K 折交 叉驗證（K-Fold Cross-Validation）C. 模型調參 a. 網格搜索（Grid Search）： b. 隨機搜索（Random Search）： c. 貝葉斯優化（Bayesian Optimization）：
模型評估與優化
模型訓練完成後，必須 透過 評估指標 對 模型效能 進行驗證，
並 根據結果 進一 步 優化模型。
A. 效能評估指標
不同任務對模型效能的要求不同，常用的評估指標包括：
a. 準確率（Accuracy）：
衡量模型 預測正確 的比例，適用於平衡的分類問題。
b. F1 分數（F1 Score）：
綜合考慮 精確率（Precision）和 召回率（Recall），
適合處 理 數據不平衡 的 問題。
c. 均方誤差（MSE）：
適用於迴歸問題，反映 預測誤差 的 大小。
B. 交叉驗證
交叉驗證 是一種 評估模型穩健性 的技術，透過 將數據集分割
為 多個子集， 反 覆進行 訓 練 與 測 試，有效降低 過擬合風險
並提升模型 的 泛化能力。
其中，K 折交 叉驗證（K-Fold Cross-Validation）
是最常見的方法，將數據集平均分成K個子集 （折），
每次選擇其中一個 子集 作為 測試集，其餘 K-1個子集 作為訓練集，
重複K 次後 取 平均評估結果，以獲得模型的整體表現。
C. 模型調參
模型優化 的最後一步是 調整超參數，這一過程稱為「調參」。
常見的方法包括：
a. 網格搜索（Grid Search）：
在預定範圍 內 逐一嘗試 超參數組合。
b. 隨機搜索（Random Search）：
隨機選擇 超參數 進行測試，適合 高維度 的 參數空 間。
c. 貝葉斯優化（Bayesian Optimization）：
透過 構建 代理 模型，根據歷史結果 逐步尋 找 最優參數。
2025 10 26 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 經濟部 iPAS AI應用規劃師初級能力鑑定 人工智慧基礎概論 (L11) 資料處理與分析 在AI 領域中的概念。統計學提供了我們分析資料、驗證模型的堅實基礎。 換句話說，統計學是我們駕馭資料、獲得洞見的指南針分散度之衡量統計量有： 1. 四分位數（Quartile）、 2. 全距（Range）、 3. 四分 位距（Interquartile Range）、 4. 平均差（Mean Deviation）、 5. 變異數（Coefficient of Variation）及 6.標準差（Standard Deviation）等。
資料處理與分析
在AI 領域中的概念
為了從海量資料中 萃取出有價值的資訊，
統計學 扮演著不可或缺的角色。
從 基礎的 資料敘述統計， 到 進階的 重抽樣 與 模擬技術，
統計學 提供了我們分析資料、驗證模型的堅實基礎。
換句話說，統計學是我們駕馭資料、獲得洞見的指南針。
統計測量數大致包含三種類型：
1.中央趨勢的衡量、
2.分散度的衡量及
3.其他測量數。
分散度之衡量統計量
為 可 衡量資料 之 離散程度，主要用於 尋找變異的 原因 和 性質，
常見的分散度之衡量統計量有：
1. 四分位數（Quartile）、
2. 全距（Range）、
3. 四分 位距（Interquartile Range）、
4. 平均差（Mean Deviation）、
5. 變異數（Coefficient of Variation）及
6.標準差（Standard Deviation）等。
四分位數（Quartile）：
所有數值 由小到大 排列 並 分成四等份，
處 於 三個分割點位 置 的 數值 就是 四分位數。
全距（Range, R）：
觀察值中的 最大值 減去 最小值後 的數值，由於只考慮
最大 與 最小 兩個觀察值，
未考慮所有觀察值，故不能精確的 反應全體觀察值的 分散情 形，
且會受 極端值 影響。
四分位距（Interquartile Range, IQR）：
為統計離差的度量，等於第三 和第一 四分 位之間的差異，
與全距有一樣的缺點。
平均差（Mean Deviation）：
每一個 觀察值 與 平均數 之間的差距，其數值越大
表 示 分散程度 越高。
標準差（Standard Deviation）：
標準差 是衡量一組 資料分散程度 的 統計量。
當標 準差較大時，表示資料點離平均值的距離較遠，
也就是說，資料的分散程度較 高。
反之，若標準差較小，則表示資料點都聚集在平均值附近，
資料的分散程 度較低。
在品質管理中，標準差常用來評估 產品 或 過程 的 穩定性。
標準差越大， 表示 產品品質 越不穩定，良率越低。
2025 10 26 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 經濟部 iPAS AI應用規劃師初級能力鑑定 人工智慧基礎概論 (L11) 機器學習（Machine Learning）是一種透過 數據訓練 模型，使 機器 具備 預測 與 分類 能力的技術， 常應用於 文字辨識、語音辨識、圖像辨識 等領域。機器學習的 步驟包含： （1）準備訓練資料：（2）訓練模型：（3）測試及評估模型：
機器學習（Machine Learning）
是一種透過 數據訓練 模型，使 機器 具備 預測 與 分類 能力的技術，
常應用於 文字辨識、語音辨識、圖像辨識 等領域。
一般而言，資料量愈大 且經過 完整的資料處理，
模型的效果通常會更好。
簡述 機器學習的 步驟包含：
（1）準備訓練資料：
包含資料的蒐集、過濾雜訊 及前處理；
（2）訓練模型：
將前項 準備好 的 訓練資料 輸入 演算法中，並 適度調整 參數，
使模型儘量符合資料之模式或分佈；
（3）測試及評估模型：
測試 並 評估 該 模型的效能，並反覆訓練之；經多次調校仍不佳時，
或許選用其他模型 再重覆前 述流程。
依訓練方式，有以下幾種學習方法：
（1）監督式學習（Supervised learning）
監督式學習主要應用於 分類（Classification）與 迴歸（Regression）
任務，透 過 帶有標記（Labeled Data）的訓練數據來訓練模型，
使其學習 輸入特徵 與 對應標 記 之間的關聯性。
在訓練過程中，模型不斷調整內部參數，以提高對未知數據的 預測準確度，
從而 實現 對 未見 數據的 有效分類 或 數值 預測。
分類模型目標為「如 何將輸入數據 分配至 不同類別」，
例如 垃圾郵件過濾（辨別郵件是否為垃圾郵件）、
影像識別（辨識圖片中的物件類別）。
迴歸模型目標為「學習 輸入變數 與 連續數值 之間的映射關係」，
例如 房價預測（根據房屋特徵預測價格）、
銷售額預測（根據 市場數據預測未來銷售）。
（2）非監督式學習（Unsupervised Learning）
不同於監督式學習，無需使用事先標記好的訓練數據。
演算法會自動從 未標 記的數據 中 發掘潛在的模式、結構或
分群（Clustering），進而揭示 數據內部的關聯 性和特徵。
非監督式學習常用於
資料探索、特徵提取 和數據降維 等任務，
廣泛應 用於
市場區隔分析、異常偵測、推薦系統 和 影像壓縮 等領域。
（3）強化學習（Reinforcement Learning, RL）
強化學習不同於監督式學習和非監督式學習，
是一種 基於「回饋（反饋）機 制」的 學習方法，
透過 評分機制 與 獎勵措施 的制定，讓人工智慧進行自我評估
並朝 獲取最大獎勵的方向進行學習。
強化學習的核心在於 讓代理（Agent）透過與環 境 的互動，
學習如何選擇 最佳行動策略，以獲得最大的累積回報。
強化學習特別 適合用於
需要「試錯學習（Trial-and-Error）」和「長期規劃」
的任務，
例如 遊戲 AI、 機器人控制 和 自動駕駛等領域。
2025 10 26 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 精神科醫師楊聰財指出 「多巴胺效應」 張老師基金會桃園分事務所心理師陳柏翰表示 世新大學性別所教授羅燦煐說 台離婚率上升 半數婚姻撐不過8.3年
台離婚率上升 半數婚姻撐不過8.3年
記者翁唯真／台北報導 2025年10月26日 週日 上午5:51
內政部統計疫情後台灣離婚對數直線上升，從2021年的4萬7887對增至2024年的5萬3469對，粗離婚率達2.28‰，創2020年以來新高，離婚率亞洲排名第二，僅次中國大陸；其中，40至44歲族群離婚人數最多，達9287人，半數夫妻的婚姻撐不過8.3年。
專家分析，離婚率升高全球皆然，也讓人們重新思考「婚姻是否仍是幸福的必要條件」。
內政部統計2024年離婚的婚齡中位數為8.3年，亦即半數夫妻撐不過8.3年；婚齡未滿5年即離婚者占33.6％，居所有婚齡層之冠；5年以上未滿10年的占23.6％居次。
精神科醫師楊聰財指出，婚齡未滿5年的離婚比率逾3成，與「多巴胺效應」有關。新婚初期的激情與浪漫通常維持1至3年，過了這段「多巴胺高峰期」後，就進入現實考驗期，必須面對買房、育兒、經濟與家庭責任等壓力，加上雙方心理成熟速度不同、對未來期待落差太大，關係容易出現裂痕。
他強調，婚後1至3年雖看似蜜月期，其實也是決定婚姻能否長久的關鍵期。
張老師基金會桃園分事務所心理師陳柏翰表示，過去許多人因社會期待而結婚，如年紀到了就該結婚的「鬧鐘式婚姻」，也有為了逃離原生家庭、為生子或追求物質安穩等因素結婚，往往在進入現實後，發現婚姻並不是解決人生問題的萬靈丹，反而因家庭責任而壓力倍增。
他指出，現代人離婚背後往往帶著更深的自我覺察，亦即願意面對問題、勇於止損，當婚姻無法解決個人問題時，離婚反而是重啟人生的選擇。
世新大學性別所教授羅燦煐說，世代觀念已轉變，強調個人幸福與自主，婚姻不再被視為「從一而終」的終身契約，也不必為了家庭或孩子犧牲自我。當雙方價值觀、生活目標或個性難以調和時，選擇分開反而被視為更成熟的決定。
2025年10月25日 星期六
2025 10 26 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 經濟部 iPAS AI應用規劃師初級能力鑑定 人工智慧基礎概論 (L11) 演算法（Algorithm） 在 機器學習 與 人工智慧領域 扮演著舉足輕重的角色， 特 別是在搜尋與排序方面，廣泛應用於 網路資訊檢索、資料庫管理 與 各類數據處理。（1） 線性搜尋（Linear Search / Sequential Search）： （2） 二分搜尋（Binary Search）：（3） 深度優先搜尋（Depth-First Search, DFS）：（4） 廣度優先搜尋（Breadth-First Search, BFS）： 常見 且 應用廣泛 的演算法： （1） 線性迴歸（Linear Regression）：（2） 邏輯迴歸（Logistic Regression）：（3） K-最近鄰演算法（K-Nearest Neighbors, KNN）：
演算法（Algorithm）
在 機器學習 與 人工智慧領域 扮演著舉足輕重的角色，
特 別是在搜尋與排序方面，廣泛應用於
網路資訊檢索、資料庫管理 與 各類數據處理。
以下為幾種常見的 搜尋 與 排序 演算法：
（1） 線性搜尋（Linear Search / Sequential Search）：
從資料集的第一個元素開始， 逐個與目標元素進行比較。
如果找到匹配的元素，則搜尋成功；
如果遍歷整 個資料集後仍未找到，則搜尋失敗。
（2） 二分搜尋（Binary Search）：
首先將 資料集 的 中間元素 與 目標元素 進行比較。
如果 目標元素 等於 中間元素，則搜尋成功；
如果 目標元素 小於 中間元素，則 在資料集的 左半部分 繼續搜尋；
如果 目標元素 大於 中間元素，則在資料集的 3-11 右半部分繼續搜尋。
重複以上步驟，直到 找到目標元素 或 搜尋範圍為空。
（3） 深度優先搜尋（Depth-First Search, DFS）：
在 圖形 或 樹狀 結構。從起始節點開 始，沿著一條路徑
儘可能 深地搜尋，直到到達 葉節點 或 遇到 已訪問過的節點，
然後 回溯到上一個 節點，繼續搜尋其他路徑。
（4） 廣度優先搜尋（Breadth-First Search, BFS）：
在 圖形 或 樹狀 結構。從 起始節點 開始，首先訪問其 所有相鄰的
節點 ，然後再訪問 這些相鄰節點 的 相鄰節點，
依此類推，一層一層地擴散搜尋。
以下介紹幾種 常見 且 應用廣泛 的演算法：
（1） 線性迴歸（Linear Regression）：
預測 連續數值型 的 輸出變數，
例如房價預測、 銷售額預測、股票價格預測等。
優點為簡單易懂、計算效率高；缺點是 只能 捕捉線性關係，
對於非線性關係的資料擬合效果較差。
其演算法原理為假設 輸入變數（特徵）和 輸出變數 之間 存在線性關係，
試圖找到一條最佳的直線 （或超平面，在高維空間中），
盡可能地擬合資料點。
（2） 邏輯迴歸（Logistic Regression）：
邏輯迴歸雖然名稱中有「迴歸」，但實際上 是一種分類演算法。
使用Sigmoid函數將線性迴歸的輸出 轉換為 介於0和1 之間 的機率值。
通常設定一個閾值（例如0.5），將 機率值 轉換為 類別。
優點 為簡單易懂、計算效率高、輸出結果具有機率意義，
但只能解決二元分類問 題，對於多類別分類問題需要進行擴展。
（3） K-最近鄰演算法（K-Nearest Neighbors, KNN）：
屬於一種基於實例的學習演 算法，對於一個新的輸入樣本，
它會找出訓練集中與其最接近的 K 個樣本 （最近鄰）。
對於分類問題，將 新樣本 分類為
K個 最近鄰中 出現次數 最多的 類別；
對於迴歸問題，將 新樣本的預測值 設定為
K個 最近鄰的 平均值 或 中位 數。
2025年10月24日 星期五
2025 10 24 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 經濟部 iPAS AI應用規劃師初級能力鑑定 人工智慧基礎概論 (L11) C. 診斷性分析（Diagnostic Analysis）a. 鑽取/向下分析（Drill-down Analysis） b. 關聯分析（Association Analysis） c. 因果分析（Causal Analysis） D. 預測性分析（Predictive Analysis）a. 迴歸模型（Regression Models） b. 分類模型（Classification Models） c. 時間序列模型（Time Series Models） d. 集成學習方法（Ensemble Methods）
C. 診斷性分析（Diagnostic Analysis）
診斷性分析 旨在探究數據中的 特定現象 或 結果 的根本原因。
此類分析通常基於敘述性分析的結果，進一步深入了解數據背後
的邏輯與影響因素。
以下為常用的分析方法：
a. 鑽取/向下分析（Drill-down Analysis）
特點與用途：從宏觀數據 逐層 深入到細節層級，
逐步鎖定 問題範圍。
應用場景： 銷售下降時，透過地區、產品類別 或 時間段分析，
確定問題發生的具體區域或品類。
b. 關聯分析（Association Analysis）
特點與用途：分析數據項目之間的共現關係或模式。
方法如Apriori 演算法，
用於分析超市購物車數據
（如「啤酒與尿布的關聯性」）。
應用場景：在推薦系統中 發掘 產品之間 的 購買關聯。
c. 因果分析（Causal Analysis）
特點與用途：透過 統計 與 實驗方法 分析變量 之間的 因果關係，
避免混淆 相關性 與 因果性。
方法如
因果圖（Causal Diagrams）、隨機試驗（A/B 測試）。
應用場景：檢驗行銷活動對銷售增長的實際影響。
D. 預測性分析（Predictive Analysis）
預測性分析 使用 歷史數據 來預測未來可能發生的事件或趨勢，
通常是基於 統計方法 與 機器學習 模型。
以下為常用的模型/方法：
a. 迴歸模型（Regression Models）
特點與用途：用於數值型 結果 的 預測。
方法：線性迴歸、多元迴歸、邏輯迴歸等。
應用場景：預測 房地產價格、銷售額、天氣變化等。
b. 分類模型（Classification Models）
特點與用途：用於將數據分為不同類別。
方法：決策樹、隨機森林、
支援向量機（Support Vector Machine, SVM）、
深度學習（如神經網路等）。
應用場景：信用風險評估、疾病診斷、用戶行為預測。
c. 時間序列模型（Time Series Models）
特點與用途：用於分析時間相關 數據，捕捉趨勢、季節性與
周期性模式。
方法：ARIMA、SARIMA、LSTM 等。
應用場景：銷售預測、需求規劃、股票價格預測。
d. 集成學習方法（Ensemble Methods）
特點與用途：結合多個模型 提高 預測準確性。
方法：
隨機森林（Random Forest）、
梯度提升機（Gradient Boosting Machine,GBM）、
極限梯度提升（eXtreme Gradient Boosting, XGBoost）
等。