微學程成果展示

➤學習目標：本專案目標整合全大運大範圍氣象預報與場館微氣候數據，掌握前後端分離架構與 AIoT 異質數據融合技術，並透過生成式 AI 模型將艱澀環境指標轉化為智慧賽事決策。 

➤學習方法：導入 AIoT 技術實作的學習方法，強調資料與 AI 應用的結合，系統前端採用 React 與 Vite 實作單頁式應用，並透過 Chart.js 進行資料視覺化；後端利用 Python 與 FastAPI 洗練數據，搭配 Supabase 與 Vercel 確保系統高併發的穩定承載。 

➤學習成果：成功建構全大運智慧賽事管理平台。系統不僅使用氣象署、環境部的開放資料，更串接自主部署的 Aerobox 感測器，並導入 GenAI 全自動產生白話賽事防護指引。此平台於 115 全大運進行實地場域驗證，完美達成降低大會決策門檻與全方位守護運動員安全的實務綜效。 

➤學習目標：透過校園探索遊戲，學習 Flutter 跨平台開發、Firebase資料整合、GPS 定位、NFC 感應與 AR 互動技術，並將校園建築知識轉化為具趣味性的數位導覽體驗。 

➤學習方法：用 github 多人協作的方式開發，先規劃遊戲流程與資料模型，再實作地圖定位、精靈捕捉、任務關卡、圖鑑與登入功能。透過實際走訪，測試介面、資料串接與使用者互動問題。 

➤學習成果：完成一套結合校園導覽與遊戲化學習的 Flutter 應用程式，使用者可在地圖中探索中央大學場域，透過定位尋找精靈、完成任務並收集圖鑑。專案整合 Firebase、Google Maps，提升我們在資料串接、狀態管理、UI 設計與團隊協作上的能力。 

➤學習目標：了解生技醫療產業ESG環境分數的資料來源與意義，學會將用水、碳排與資產資料轉為可用特徵，並建立能預測E_score的機器學習模型與互動介面。 

➤學習方法：從TEJ Pro撈取生技醫療產業資料，以CSV資料計算用水與碳排強度，處理缺失值並標準化特徵，再用Random Forest訓練、評估模型，最後以Streamlit完成展示。 

➤學習成果：完成一套E_score智能預測原型，能讓使用者輸入企業用水量、碳排放量與總資產，即時計算強度特徵並輸出預估分數。我們也發現蒐集的資料限制，包含資料有缺失值或是資料數量對於機器學習仍稍顯不足，未來希望可使用更進階的模型，例如: 深度學習模型以提高預測精準度，或是延伸開發預測S、G分數的工具。 

➤學習目標：了解企業可能存在的漂綠行為，並從 ESG 視角分析企業永續表現。透過自行設計評分架構與分析模型，更深入探討企業漂綠的可能性與判斷依據。 

➤學習方法：蒐集 ESG 分數的相關數據，並結合 Gemini API 與 AI 模型，從環境投資分析角度進行資料整理、模型設計與網站介面開發，最後反覆測試企業漂綠可能性。 

➤學習成果：架構出一個 AI 漂綠檢測網站，能依據「隱藏代價」、「沒有證據」、「模糊其詞」、「不相關」、「兩害取其輕」與「說謊」六項指標進行 0 至 2 分評分，並結合企業財報、ESG 資訊與外部新聞進行綜合分析。系統最終會提供總分與燈號判讀結果，協助投資人更客觀了解企業可能的漂綠風險，同時也加入多角度反思問題，提升使用者思辨能力。 

➤學習目標：透過建置永續投資導航網站，整合0050成分股、ESG、基本面與技術面資料，學習資料整理、前端互動設計與投資建議模型建構，培養把公開數據轉成決策工具的能力。

➤學習方法：先蒐集ETF持股、證交所開放資料與各公司ESG揭露，再進行欄位清理、分數模型設計與介面製作，最後反覆測試不同風險、年期與偏好設定，優化推薦邏輯與使用體驗。

➤學習成果：完成一個可互動的永續投資導航介面，能以0050全部成分股為標的，依投資金額、投資年限、風險承受度與ESG權重提供建議；並建置個股研究頁、十五檔對比實驗室與大類產業比較功能，讓使用者進行多面向分析。

➤學習目標：在台灣，金融業是最先開始做ESG評分的產業之一，因此我們決定研究金融業的ESG與公司企業績效間的關係。 

➤學習方法：透過機器學習與線性回歸，建立預測的模型，並參考多篇論文。 

➤學習成果：結合AI建立網頁， 打造一個分析永續報告書的網頁以供投資人判斷企業在永續報告書的漂綠嫌疑，以此來預測未來企業發展。