課程類型：微學程 　學程名稱：智慧數據分析與應用微學程 　指導老師：經濟學系 王偉芳老師、蔡明熹老師、阮榮裕老師

1. 承認無知、從基礎發問：直接提問「典型做法是什麼？」「資料不平衡怎麼影響？」

2. 問題驅動循環：順著 LLM 回答中的關鍵詞持續追問，使對話自然延伸到資料探勘（EDA）的步驟。

3. 把 LLM 當導師並立即實作：依照建議載入／檢視資料，遇到問題再回饋，形成正向迴圈。

4. 針對專業術語深入追問：借由釐清「評估指標」「資料前處理」等術語，讓 LLM 主動闡述名詞解釋與操作方法。

不平衡資料的處理不容忽視

專案初期，我們很快就遇到了一個關鍵性的挑戰：資料極度不平衡。絕大多數的交易資料都是正常的，詐欺樣本僅佔極小比例。初步使用模型訓練後，雖然模型準確率看似很高，但實際上模型幾乎忽略了我們最關心的「詐欺交易」。藉由與 ChatGPT 的問答，我們開始意識到光靠準確率來評估模型是不妥的。

而後，為了解決資料不平衡的問題，在 ChatGPT 指導下，我們嘗試了特徵工程並實際操作。其中，SMOTE (合成少數類別過抽樣技術) 是一個重要的轉折點。它幫助我們合成更多的詐欺樣本，讓模型能夠「看見」更多少數類的特徵，大幅改善了對詐欺交易的識別能力。

批判性思考與跨領域的實作經驗，是未來持續成長的關鍵

然而，AI 並非全知全能，無法完全複製專家的洞察力。這讓我們理解到自己與真正資料科學專家之間的差距，不僅在於知識廣度，更在於對問題的敏銳度和創造性解決方案的能力。因此，使用 AI 時必須保持質疑精神，不盲目崇信，而是將其視為一個強大但不完美的顧問，需要結合自己的觀察和其他來源來驗證 AI 的回答。

此專案的價值不局限於模型成果，更核心的意義在於我們學會如何與 AI 共生共長，充分利用其優勢並認識自身不足，從而提升自身的學習效能。這也展現了一種未來學習的新典範：人類與 AI 協作，共同探索未知領域。透過這個過程，讓學生蛻變為具備跨領域探究能力的新世代人才，培養了獨立思考、提問與解決問題的技巧，以及跨領域知識遷移的自信，這些都將成為寶貴的資產。