# 0716-02 基於資料的異常檢測與預測-林風教授
## AI生成課程重點

- **異常偵測的定義**：
- 資料輸出與過去相比有異常變化，即稱作異常資料。
- 在二維平面上，異常點與大部分點聚集區分開。
- **資料來源及範例**：
- 資料可能來自感測器，如智慧家庭中的各種感測器。
- 例如，壓力感測器可偵測使用者行為變化。
- **行為模型構建**：
- 根據時間序列資料建構使用者行為模型。
- 利用感測資料分析使用者日常行為，例如進出房間的動作。
- **AI在資料分析中的角色**：
- 強調特徵萃取的重要性，以便後續AI模型能更準確。
- 傳統模型在某些情況下比新模型更具效能。
- **系統監控與異常偵測**：
- 在大型機房監控中，利用感測資料判斷系統狀態。
- 透過行為模型監控CPU使用情況，以便及早偵測異常。
- **異常偵測技術**：
- 利用Supervised Learning與Unsupervised Learning方法進行異常預測。
- 在正常運行狀態下收集資料，構建模型以偵測未來異常。
- **性能指標**：
- 精準度（Accuracy）、召回率（Recall）、精確度（Precision）、F1 Score等指標衡量模型效能。
- 監控系統強調抓到所有異常點的重要性。
- **應用範圍**：
- 異常偵測工具應用於半導體廠監控、保險詐騙偵測、醫療預測、精神疾病監控等領域。
- 使用車載感測器蒐集資料，辨識駕駛行為。