探索人工智慧如何從時間序列資料中發現隱藏的趨勢與變化
在企業經營過程中，會累積大量數字型資料，例如銷售量、股價、營收、成本及市場數據等。這些資料通常具有時間先後順序，因此被稱為時間序列資料。
傳統分析方法能夠協助找出資料的整體趨勢，但當資料中同時存在多個不同階段的變化特徵時，單一模型往往難以完整呈現資料背後的規律。
因此，本課程導入數學AI建模方法，希望透過人工智慧輔助分析，從大量資料中發現更多可能的趨勢與變化資訊。
迴歸分析是統計學中常見的分析方法，其目的是利用數學模型描述變數之間的關係。
最常見的線性迴歸模型會根據所有資料建立一條最符合資料特徵的趨勢線，以降低整體誤差並描述資料的平均變化方向。
透過這種方式，分析人員可以快速了解資料的整體趨勢。
在實際資料中，不同時間區段可能呈現不同的變化特徵。
例如某段時間快速成長，另一段時間趨於平穩，之後又出現下滑現象。
若以單一迴歸模型分析全部資料，雖然能得到整體趨勢，但可能無法完整反映各階段的實際變化。
數學AI建模的核心概念，在於讓人工智慧根據資料本身的特徵進行分析。
系統會透過演算法評估不同資料區段的變化情況，嘗試找出較能反映資料特性的分析模型。
因此，同一份時間序列資料不一定只產生一條趨勢線，而可能形成多個具有不同特徵的分析區段，協助使用者更深入理解資料背後的變化規律。
在課程實作過程中，學生將透過數學AI建模平台學習：
時間序列資料分析
趨勢圖判讀
資料視覺化設計
AI建模流程操作
數據分析結果解讀
長期追蹤與比較分析
透過實際操作與成果累積，建立資料分析與決策支援能力
傳統時間序列分析常利用迴歸分析建立資料與時間之間的數學關係。
最常見的線性迴歸模型為：
Y = E(Y|X) = β0 + β1 X + ε
其中：
Y：應變數（分析結果）
X：自變數（時間或其他影響因素）
β₀：截距項
β₁：斜率項
ε：誤差項
其目標是在既有假設下，尋找最能描述資料趨勢的數學模型。
傳統線性迴歸分析通常建立於下列假設：
條件期望值呈線性關係
誤差項符合常態分配
變異數一致
觀測值彼此獨立
在符合上述條件下，可利用最小平方法（Least Squares Method）建立迴歸模型。
最小平方法的核心思想是：
找出一條趨勢線，使所有資料點到趨勢線的誤差平方和最小。
其目標函數可表示為：
S = ∑(Yi - Ŷi)2
其中：
Yi 為實際觀測值
Ŷi 為模型預測值
透過最佳化程序求得模型參數。
在實務分析過程中，分析人員往往需要先決定：
使用多少資料
分析哪個時間區段
是否將資料分段
因此模型建立過程中，實際上已包含人為判斷。
數學AI建模則嘗試讓系統依據資料本身的特徵，自動評估不同資料區段的變化情形，尋找更能反映資料特性的分析結果。
因此：
傳統方法通常產生一條整體趨勢線
AI建模可能產生多個不同階段的趨勢模型
藉此揭露資料在不同時間區段中的變化特徵。
本課程並非以數學推導為主要目標，而是透過實際操作：
觀察模型建立過程
理解資料特徵變化
學習分析結果判讀
建立數據決策思維
讓學生能夠從理論理解延伸至實務應用。