ida 组 (@[email protected])

这是一个关于 ida 的群组,关注以获取群组推送,引用可以分享到群组。

I'm a group about ida. Follow me to get all the group posts. Tag me to share with the group.

Tips:
回复时删除群组引用可以避免打扰到关注群组的大家 ~
Please delete the group tag in reply, thank you ~

创建新群组可以 搜索 或 引用 @新群组名@ ovo.st。
Create other groups by searching for or tagging @[email protected]


近期活动:

[2024-07-15 22:56:07] [email protected]: 在「預設模型」的路徑中其實我們多數在學習過程就是學這套!假設有個模型然後用數據去驗證但我們也能放寬讓數據自己決定它要多少數據量(樣本)形成最精準的「線」當我們讓數據自己決定要多少樣本成為一條線你也可以想像是我們讓數據自己決定多少樣本成為一群其結果可能有數學式出來也可能沒有即使過程中用了數學模型或數學計算總歸我們看結果有沒有數學式作為評判標準為什麼要用數學式呢?別說K-means不能有數學式如果已經確定分群那麼該群數字就能建立聯合機率模型吧!?再不濟也能建立邊際機率模型?!所以有無數學式結果是很重要的判斷標準(2/3)@ida #從零開始學數據分析

[2024-07-15 22:46:53] [email protected]: 數據分析流程的的三個步驟是「數據分析」這裡又分出「數據建模」、「數據模擬」、「數據驗證」在數據建模的步驟中我們其實希望達到「讓數據自己說話」的原則所以所謂的建模就分出「預設模型」和「模型選擇」這樣的概念可能沒有人跟你這樣說過但這才是目前數據建模的分類情況(1/3)@ida

[2024-07-15 22:41:37] [email protected]: 前面描述了四個步驟用心智圖表現第一和二步驟對非資訊專業人員來說數據蒐集就是上網找數據公開數據是很棒代表次級資料數據處理上非資訊專業人員取得數據後就會打開數據將缺漏值和不相關欄位刪除留下需要的數據留下的數據進行初步的了解包含計算係數和圖像這時候將完成初步的數據觀察與獲得一些想法@ida #從零開始學數據分析

[2024-07-15 22:39:57] [email protected]: 數據分析流程有哪些步驟?從基礎到應用1. 數據蒐集2. 數據處理3. 數據分析4. 數據解讀@ida #從零開始學數據分析

[2024-07-12 10:07:11] [email protected]: 當AI融入分析方法取代人類的運算與判斷,我們可以開始思考以下幾個問題,這也是AI在分析方法上的突破與創新。1. 長短期之爭有人知道長期多長嗎?短期多短嗎?金融設定長期:一年含以上;短期:一年以下經濟設定長期:所有生產要素都能改變如果我們讓數據自己說話,那麼數據就能自己決定多少數據量是短期。原理則可參考迴歸分析的迴歸線。只要同一條迴歸線並且支持迴歸線的準確率最高。@ida #從零開始學數據分析

[2024-07-12 10:00:50] [email protected]: 這週大致將【從零開始學數據分析】的觀念講義寫好。這是我為非資訊專業人員寫的,銜接AI數據分析的教材。內容並不完善,例如對機器學習的介紹,或是統計學、機率等的介紹都沒有出現。會想寫這本教材的原因是,從大數據開始,整個的教育和方向,就傾向到資訊人員的培訓。但觀察一個企業內部,資訊人員占的比重不高,除非是科技公司會聘任很多的工程師和程式設計師。所以我從數據開始出發,數據類型和分析方法是有關聯的,而分析方法又會延伸到對應的工具上。希望透過這樣的教材,讓非資訊專業人員能夠了解「數據分析」並不是網上看到的那樣而已。還有一大部分是非資訊專業人員可以使用的工具,幫助他們在工作上有所提升,獲得人工智慧的幫助。@ida #從零開始學數據分析

[2024-07-10 23:11:08] [email protected]: 你知道「長期」與「短期」觀察的區別嗎?我先前貼文有談過。不過,今天讓我用美國聯準會的國債持有數據來分享一種常見的「長期觀察方法」。**長期觀察**這裡有248筆數據,從2019年10月9日開始到2024年7月3日為止。圖一顯示了這段期間的數據,空心三角是原始數據,紅點與線是AI數據分析的最佳直線多線段結果。你會發現,紅點幾乎與空心三角重合。我在圖一上畫了兩條水平線,這是種「兩點比較法」:🔵用藍線標記最新數據的水平位置🟢用綠線標記聯準會政策影響前的最高點🟤用深咖啡色線標記期間內聯準會持有國債的最高金額綠線是依靠AI數據分析的直線多線段才能找到。**比較差距**透過水平線找到兩段差距:🔴聯準會減持國債的金額差距:深咖啡色線 - 藍線🔴從新冠疫情政策影響開始到目前的持有水準差距:藍線 - 綠線以深咖啡色線到綠線的距離為聯準會持有國債金額的最大差距(100%),那麼在緊縮貨幣政策下,聯準會減持國債已達43%,正朝著50%邁進。要注意的是這方法沒考慮到隨著時間自然增長的可能。希望這些數據和方法能讓你對數據分析更有興趣!📊✨@ida

[2024-07-06 16:18:08] [email protected]: Riffenburgh的2012年三版課本中,使用平方函數和log函數來解釋變數之間的關係。他在2006年的醫學統計學二版第23章中,提到了向上開口的拋物線、三次方曲線、對數曲線、指數曲線、生物生長曲線和正弦波函數。書中將向上開口的拋物線和三次方曲線視為線性模型,其他則歸類為非線性模型。因此,多項式模型通常只到三次方為止,更高次方的多項式極少被使用。這表明直線假設雖然會被放寬,但程度有限。下圖提供三個模型供參考,這些模型旨在讓數據自己決定模型的形式,或者決定樣本數。殘差圖展示當模型越準確時會有怎樣的變化,幫助我們不僅為數據建立準確的數學模型,還能從殘差圖中發現是否存在未解釋的規律。2/2 @ida

[2024-07-06 16:17:30] [email protected]: 統計學的迴歸分析不僅是統計分析的工具,更是數據建模的重要方法。然而,教科書和課堂中提到的殘差圖,在實務中卻很少見。殘差圖不僅能讓我們知道模型的好壞,也能顯示未能解釋的規律有多強烈。由於使用迴歸分析的人往往不願放棄「直線假設」,即使他們放棄了,通常也會使用拋物線或三次方的多項式來替代。例如在Medical statistics的教材中,這類模型與非線性模型常被一起討論。1/3 @ida

[2024-07-05 00:35:36] [email protected]: 二、趨勢變化你所看到的圖是涵蓋2009年以來的最大許可數量,也是新冠疫情期間的最大數量。在數據整體期間內有8條趨勢線,正好組成一上一下。**趨勢方向**- 上升線:藍線、灰線、淺藍色線、深藍色線- 下降線:橘線、黃線、綠線、深咖啡色線**趨勢轉折**觀察相鄰兩條不同顏色的趨勢線並且趨勢線轉折發生在起點(圖例)。- 發生在6月:藍線及灰線- 發生在2月:黃線及綠線**趨勢變化**- 最快上升:灰線- 最快下降:橘線**其他**以藍線在縱軸數字的上下界線為基準,近期的深藍色線及深咖啡色線都落在該區域,所以美國在建築許可上的發放數量回到新冠疫情前,脫離新冠疫情期間的經濟復甦快速增長期。@ida #經濟 #財經 #美國 #建築 #許可 #住房 #房地產 #房產 #數據分析 #趨勢 #AI #人工智慧 #人工智能 #MathAI #data #dataanalysis #housing #estate #教育 #DBA #ida #economy

[2024-07-05 00:33:03] [email protected]: 美國在許可證發放地批准的新私人擁有的住房單元精準趨勢變化一、住房建築許可指標雖然我直接使用指標名,但它就是住房的建築許可。這是一張證明,證明你能在這塊地上建房子。有建築許可證並不能保證會建造房屋,並且這個指標的數量與最後在建的數量不會在同個月,也有可能後面就不建了。我們觀察這個指標的目的是因為建築與景氣之間有關,景氣好,需要的建築許可就會多,同時多數都會落實建築。但在景氣惡化時,建築許可會減少外,落實的建築也有可能變少或延後更久。我們沒有更多的資訊可以了解許可數量與在建數量的落後期,只能就許可數量了解美國景氣情況。1/#經濟 #財經 #美國 #建築 #許可 #住房 #房地產 #房產 #數據分析 #趨勢 #AI #人工智慧 #人工智能 #MathAI #data #dataanalysis #housing #estate #教育 #DBA #ida #economy #investing #投資 @ida

[2024-06-27 01:26:56] [email protected]: @ida #從零開始學數據分析 另外,你還可能遇到發生「結構改變」,也就是整個數據量會分群。我們通常使用Chow檢定來看是否有一個結構上的改變。結果就會產生兩條迴歸直線。如果勤勞點,多檢定或許可能發現更多數據上的結構改變。工具是幫忙人類節約時間的。數學AI可以替代人類做這些運算和判斷,它可以在整個數據集上找到最好的直線,並且能超過一條。當迴歸線精準了,再去檢測假設就比較容易通過。這就是迴歸分析和數學AI的區別,迴歸分析只能給我們一條直線。人為方式用檢定可以檢測是否能產生至少一條直線。但數學AI可以給我們更多條直線,並且它們都是最準確的符合那些數據量特徵。以上觀念皆有版權

[2024-06-27 01:25:39] [email protected]: 《迴歸分析與數學AI,我們需要知道的事情》你還記得在課堂上或是寫報告時,我們學到了什麼是迴歸分析嗎?當我們使用迴歸分析時,我們會設定自變量X與應變量Y的關聯。而迴歸分析就是要找出這個關聯的數學模型,當然對其係數就會進行統計分析(假設檢定或變異數分析)。迴歸分析的使用條件是要兩變量有高度線性相關。也就是它是直線關係,其他的關係可能落在低度線性相關。當我們將已知的數據且確認數據數量,輸入到電腦軟體中進行計算時,它會給我們一條直線,這條直線代表了我們的數學模型。但是,我們在使用時可能會遇到一些問題,比如如何選擇變量,如何選擇模型,以及結果是否符合迴歸分析的假設等。為什麼會有這些問題呢?因為有時候我們得到可能不太理想的結果,所以我們就需要調整我們的模型,通常是調整變量,再檢查結果是否符合迴歸分析的假設。#從零開始學數據分析 @ida

[2024-06-27 01:12:44] [email protected]: #從零開始學數據分析 @ida 數據分析流程與AI在其中扮演的角色整理歸納圖歡迎收藏隨著時間變化,AI深入在數據分析的每個流程步驟中這是目前的情況而我們需要在新科技與新的創新下將這些資訊進行整理歸納你在學習過程中才能了解自己在學習的是什麼---數據分析會用到兩次,一次在標題,一次在步驟名稱表格化與圖像化會用到兩次,一次在數據處理,一次在數據解讀

[2024-06-27 01:11:24] [email protected]: #從零開始學數據分析 @ida **AI在數據分析流程中扮演的角色**1. 數據蒐集:自動化2. 數據整理:自動化3. 數據清理:自動化+AI判斷4. 數據處理:- 表格化、圖像化:生成式AI- 敘述統計係數:可使用引導方式讓生成式AI計算,未必有正確結果5. 數據分析:- 文字:生成式AI、意向大數據分析(有數學結果)- 數字:AI數據分析的MathAI系列(有數學結果)6. 數據解讀:文字化後用生成式AI分析與改寫+人工

[2024-06-27 01:09:02] [email protected]: 當你看多了「AI數據分析」的趨勢或關聯圖後,「習慣」會讓你看到走勢圖時產生想知道趨勢線的斷點位置。一般人看圖知道:斷點會在最高或最低,但是最高與最低是趨勢的開始還是結束呢?另外,中間的斷點呢?可能因眼睛所見很平滑,自然難以辨別斷點可能。看多了精準趨勢/關係圖就會逐漸習慣觀察「點」與「線」的關係。你會脫離點與點的比較,轉為線與點的比較,而且這條線是有方向的。對初學者來說,直線夠用了,提供足夠的資訊做使用。當然也適合寫論文或報告。有關使用AI數據分析寫論文的成功案例,可以私訊我。因為「線」的代表性夠高,又有數學直線方程式的估計結果,並且還將數據完成分群。相當於做完一件事情獲得超過一倍的成果。AI數據分析的MathAI多線段法為趨勢或關聯的精準建模與繪製出可視化圖是相對簡單的。這能銜接高中職的數學教育,一路到大學。同時也適合一般工作上的事務性數字分析。#從零開始學數據分析 @ida

[2024-06-27 01:07:21] [email protected]: 寫論文的研究大概就一次性結果。歸納整理過往與自己的研究結果,強調貢獻所在。數據分析不僅僅是當下的數據進行分析,還需要持續追蹤分析。例如每月數據公布,重新加入分析。不同於多數的可視化方式,AI數據分析在是數據經過「分析方法」後打出可視化圖。加上AI的運算與判斷,精準趨勢線或關係線就會成為觀察的基準。同時還會有更多的數據資訊。以時間序列資料為例,時間點是重要的資訊!何時轉折?持續多久?歷史數據的時間點抓到可以檢查過往。最近期的趨勢線可以延伸幫助看到未來。很多人想要預測未來,但趨勢只是短時間維持,所以更重要的是當下的數據是否影響趨勢發生轉折可能的判斷!畢竟趨勢改變了就得重新再來,你說是吧?#從零開始學數據分析 @ida

[2024-06-27 00:30:45] [email protected]: 接下來 @ida 當做我寫數據分析的觀念、知識,和使用 #mathai 軟體的趨勢圖有興趣的朋友可以追蹤 @ida #經濟 #財經 #金融 #數據分析

上一页 | 下一页