# AI數據應用人才培訓班 - 專題作品集 - ==Tableau 數據分析== [(個專) 全台寵物登記數與新生兒數的數據分析 (2019-2023年)](https://hackmd.io/@Summer916/ai-data-projects#%E5%80%8B%E5%B0%88-%E5%85%A8%E5%8F%B0%E5%AF%B5%E7%89%A9%E7%99%BB%E8%A8%98%E6%95%B8%E8%88%87%E6%96%B0%E7%94%9F%E5%85%92%E6%95%B8%E7%9A%84%E6%95%B8%E6%93%9A%E5%88%86%E6%9E%90-2019-2023%E5%B9%B4) - ==Tableau 數據分析== [(團專) 最常發生車禍的時段、路段、肇因與肇事者輪廓分析](https://hackmd.io/@Summer916/ai-data-projects#%E5%9C%98%E5%B0%88-%E6%9C%80%E5%B8%B8%E7%99%BC%E7%94%9F%E8%BB%8A%E7%A6%8D%E7%9A%84%E6%99%82%E6%AE%B5%E3%80%81%E8%B7%AF%E6%AE%B5%E3%80%81%E8%82%87%E5%9B%A0%E8%88%87%E8%82%87%E4%BA%8B%E8%80%85%E8%BC%AA%E5%BB%93%E5%88%86%E6%9E%90) - ==機器學習== [(團專) Steam 電子遊戲價格預測系統](https://hackmd.io/@Summer916/ai-data-projects#%E5%9C%98%E5%B0%88-Steam-%E9%9B%BB%E5%AD%90%E9%81%8A%E6%88%B2%E5%83%B9%E6%A0%BC%E9%A0%90%E6%B8%AC%E7%B3%BB%E7%B5%B1) --- ## :bar_chart: Tableau 數據分析 ### ==個專== 全台寵物登記數與新生兒數的數據分析 (2019-2023年) - [簡報連結](https://www.canva.com/design/DAGfDTNTsJQ/y-IvuqIpZhg9IcwPNPlICw/edit?utm_content=DAGfDTNTsJQ&utm_campaign=designshare&utm_medium=link2&utm_source=sharebutton) ![截圖 2025-03-24 中午12.04.45](https://hackmd.io/_uploads/rywUcUC2kg.png) - [Tableau 數據圖表連結](https://public.tableau.com/views/_0214_17394925877030/1?:language=en-US&:sid=&:redirect=auth&:display_count=n&:origin=viz_share_link) ![儀表板窗格 1](https://hackmd.io/_uploads/rJxG5LRhJl.png) --- ### ==團專== 最常發生車禍的時段、路段、肇因與肇事者輪廓分析 - [Tableau 數據圖表連結](https://public.tableau.com/views/_17405517168080/_0219?:language=en-US&:sid=&:redirect=auth&:display_count=n&:origin=viz_share_link) ![儀表板_0219](https://hackmd.io/_uploads/S10DjLAhkl.png) --- ## :brain: 機器學習 ### ==團專== Steam 電子遊戲價格預測系統 ![截圖 2025-03-24 中午12.31.16](https://hackmd.io/_uploads/H1oOlvC2Jg.jpg) - [簡報連結](https://www.canva.com/design/DAGinKU-s6I/cL9j5ZpBlK-IkTr4jID0eA/edit?utm_content=DAGinKU-s6I&utm_campaign=designshare&utm_medium=link2&utm_source=sharebutton) (UI介紹 p48-p51) - [簡報錄影](https://youtu.be/gg30v6FP7js?si=3mn29T9FgfwvkWPm) (UI介紹：17:33 ~ 24:40) - 個人貢獻：前端 UI 程式的撰寫 - 團專心得： 1. 分組階段：考量到自身程式技術方面較弱, 所以會想找有機器學習基礎背景的團員, 可以借重他們的能力完成專案不至於開天窗, 也可以從中跟他們學習。其中有個組員剛好 Tableau 團專有同組過, 知道組員是樂於分享的個性, 所以是我會選擇加入的重點之一。另外, 組上的其他成員們, 似乎是對程式比較弱的人, 也沒有其他偏 PM 的角色, 剛好可以發揮我能力以及主動去承擔比較多責任與挑戰的地方。(但是後想想或許加入能力或是積極度比較好的組別, 可以激盪出更多的想法, 但在不認識彼此的情況下, 當時做的抉擇就是最好的選擇了。重點是自己從中學到了什麼。) 2. 專案分工：開會後, 大家決定各自進行資料清洗與模型訓練, 再一起比較各自訓練後的評估結果, 從中選出一個大家都認為最可靠與分數最高的模型。由於我在資料前處理部分疑似有出現資料洩漏的問題, 導致模型評估結果出現 overfiting, 所以最終沒有被選取。 3. 專題實作： 由於當初選擇是其他組員跑 AutoML 後的已訓練好的模型, 所以最終完成此系統的重點會是在完成介面與上雲的整合部分。雖然本人欠缺前端開發程式開發經驗, 還是勇敢主動接下此任務, 最終在借重 Cusor 以及 Claude 等 AI 工具協助下順利完成前端介面的撰寫與欄位優化。 4. 後續精進：由於團專的時間有限, 所以當初用的AI套件是用在地端執行的程式, 介面很陽春。但在後來寫ML作業時, 改用Gradio套件做出了相同效果的介面, 而且更美觀, 可作為之後開發前端的選擇。 後續會嘗試在 kaggle 上找資料集, 試著自己在 GCP 上做資料前處理與模型訓練和推理當作練習。 也會嘗試找side project做, 看看自己有沒有辦法利用課堂所學和AI工具完成一些自動化的流程。