使用生成式AI倒底好不好？
我認為並沒有什麼不好。要看你怎麼使用。

我並沒有使用生成式AI寫文，但是會導入數據分析結果，讓生成式AI整理和解析。解析內容，我會弄成網頁，提供學生參考。在教學時指出生成式AI會出現的錯誤。

我也告訴學生不用去反反覆覆地跟生成式AI對話，讓它生成正確的內容。因為當你耗費那些時間的時候，還不如自己修改內容。

此時你已經具體知道內容的錯誤位置，並且也知道內容錯了什麼。你又何必一直糾結在那，跟生成式AI鬥智鬥勇，浪費你的時間。

#觀點

數據庫的數據很多都是英數字組合，也就是俗稱的「標記」或「分類」項。

這類的數據通常用於：

篩選
匹配
比對
排序

的數據處理。當然也有人說這是數據分析，因為用了「演算法」。

另外這類的數據也可套用：

羅吉斯模型
2×2模型
決策樹模型
．
．
．

有的還會用馬可夫鏈，灰色理論等。這也是目前人工智慧，生成式AI文字表達所處理的數據。

#觀念

為什麼企業還是以Tableau、數據庫(database)等將數據導入，搭配統計軟體，進行數據分析(Analyze)為主？

因為這些可以保障數據保密，不會因為連網或一些因素，變成洩密。近期不是有微信使用者的資料洩密嗎？所以這樣的不聯網分析，可以確保企業數據不外洩。

#觀點

美國生產者物價指數(所有商品)的短期趨勢圖

其實美國試圖控制住生產者物價指數

#經濟 #財經 #美國 #PPI #數據分析 #AI #AI數據分析 #資料分析 #趨勢 #學習 #課程

人工智慧基礎的機器學習，深度學習之類的，或者統計學習，都脫離不了：迴歸分析，可你真懂迴歸分析嗎？

一、從變量區分

設定Y叫做應變量，X叫做自變量

1. 一般模型：X, Y都是實數
2. 虛擬變量：X是分類項，Y是實數
3. 羅吉斯：X是實數，Y 是分類項
4. 2×2表：X,Y都是分類項

二、從條件期望值模型形式區分

1. 直線 linear （機器學習）
2. 非直線 nonlinear （統計學習）
3. 曲線化直線 curvilinear （高端貨）
4. 組合函數 （高端貨）

三、從誤差分

Y = 條件期望值模型 + 誤差

1. 一般模型：設定條件期望值模型後，所有數據導入，計算，剩下的就是誤差

2. 變異數異質性模型：誤差繼續適配模型！清理乾淨誤差中的規律

3. 一階自相關誤差模型：誤差經過變異數異質性模型後，再繼續清理。

參考應用性文章
https://www.mdpi.com/2227-7390/9/21/2719

#觀念

很有趣的現象^_^生成式AI才是AI

其實人工智慧不是只有生成式AI。你可以將生成式AI想成一個架構，有核心，有流程。數據經過核心和流程後，產出給你。

那麼這個核心就是你所知道的機率論，統計學，數學模型組成的地方。流程則是對標記數據進行分類，匹配，篩選等等的一系列動作，產生所謂代表「學習」。這點從一些流程圖中可以看到。

你得明白別人研究的是哪個部分。不同的架構會有不同的名稱。

其中核心的破解是最驚人的，也是暴力突破人工智慧真偽的重點。

#觀點

#知識 #數據分析

數據分析說難不難，說簡單也不簡單。

首先，你得先定位「數據分析是什麼」。

從維基百科中寫道：「數據分析是檢查、清理、轉換和建模數據的過程，目的是發現有用的資訊、得出結論和支持決策。」

是的。數據分析是個過程，但凡蒐集、檢查、清理、轉換數據都是分析的過程。建立數據的模型也是過程之一。而我們也針對這些過程給予名稱。所以數據分析是個廣泛的名詞，你得清楚你學習的數據分析是哪個過程。

別小看這個了解！就因為你無法將他們那些吹噓得高大上的課程名稱或論文名詞，對應到正確的數據分析過程，就能欺騙你。一如做「傳感器」也能叫做AI公司。

科學新知的接受往往受制於固有觀念的束縛，即便被證實正確，也需藉助時間推移與權威背書才能突破認知障礙、獲得廣泛認可。

先行者的基礎研究，探索與突破之路佈滿荊棘，亦如迴歸分析可以內化樣本數選擇的情況，或者如同「胃潰瘍」病因認知從 「壓力致病」 到 「幽門螺旋桿菌致病」 的轉變。這都需要時間逐步被人接受。Meta也曾發展出如研究者寫論文般的AI，但因太真實且很少缺點，而被抵制。

站在前沿的人受到的風浪是最強悍的，受到的傷害也最深。但記錄會留下足跡，特別是在這個數據驅動的時代。

#雜記 #科學

美國通貨膨脹率(CPI年增率)短期趨勢已經顯示通貨膨脹率正蠢蠢欲動~~~

你說是發生什麼事情呢？

上個月數據產生平均每月下降0.1763%
這個月數據產生平均每月下降0.1475%

你認為這樣的數據分析細節是你用BI或折線圖或其他分析方法能看到的嗎？

=====
還不能從數據當中看到關鍵資訊嗎？
超過千人參加過AI數據分析研習
超過百人學習中
最深度的AI數據分析
線上課程正在開課，趕緊報名吧
=====

#財經 #AI數據分析 #inflation #USA #MathAI #AI #dataanalysis #trends #analysis #powerofanalysis #economy #finance #EconomyWatch #學習 #線上課程 #課程 #usinflation #經濟 #通貨膨脹 #美國 #通脹

很多人說薪水漲了仍雇不到人

真的是薪水問題嗎？

還是那些工作其實已經沒有年輕人想做了？

當政府一直大發福利補貼

當政府在少子化下

教育預算年年高漲

年輕人幹嘛打工？

何必做勞累工作？

某地的家庭對教育支出是逐年下滑的

他們的孩子過的很好

教育支出減少

家庭負擔下降

孩子幹嘛還出去打工

或者找那些累、苦、重的缺工職位

至於薪水漲？

看看那個經常性薪資

和他們說的薪水漲的數字

算了吧~~

谷歌量子硬體設備總監凱利舉例，全球肥料製造耗費巨量能源，仰賴高溫高壓的哈布二氏法。而自然界中的細菌，卻能在常溫常壓下高效完成同樣任務。「如果量子電腦能破解細菌的運作機制，我們就能徹底改變能源應用！」

他說了一句廢話，因為現在的AI一樣有這問題，不是硬體問題，而是AI本身的架構和程式問題

「AI再進化 谷歌要靠量子電腦五年內彎道超車」的新聞發布，我只能說，AI的根本原因不在硬體，而是程式內核當中的核心原理。但凡使用到機率論和統計學都要修正!!

繞過機率論和統計學問題的方法，以為是捷徑，實際上，堆在多硬體都沒用，因為那消耗的資源只會以難以想像的速度暴增。

美國本週公布的數據，慢慢揭露經濟情況，開始了4月或5月的數據！

第一季數據沒什麼，那只有少部份人拿到第一手資訊，先行調整和處理。

4月是圖窮匕現，美國政策公開，拉開序幕！現在6月，相當於是三個月的動盪！聯準會會不會動手？會不會如川普希望的降息？

為什麼我們在意經濟數據，那是因為大環境變化會讓預期心態和情緒反應在投資市場上。從中先一步知道這樣的經濟影響是正面還是負面。

沒有人喜歡「過於」動盪。

有一名美國資深投資者跳出來說，「人們還沒意識到“我們不再遵守憲法”。」他說，「每天，我都感覺像是有一個新的智商測試，他們像一份期中報告測試每一個人，以衡量我們變得多愚蠢。」

等待美國非農結果🤣

#美國 #PCE 物價指數年增率短期趨勢

單從原值(空心三角點)的走法，可以說隨著時間上升又下降，而趨勢線也因為醉心短期趨勢期間發生了上升趨勢轉為下降趨勢的情況

如果你還無法做到這些，並且想學習數據分析，那麼「AI數據分析」將是你在AI時代下最棒的數據分析利器。

長期追蹤結果: https://sites.google.com/view/usinflation/PCE

~~~~
轉折即時 洞見無界
告別滯後模型
讓趨勢主動客觀說話
~~~~

#經濟 #財經 #通貨膨脹 #通脹 #數據分析 #資料分析 #物價 #AI #MathAI #AI數據分析 #課程 #economy #USA #inflation #usinflation #economywatch #PCE

持續追蹤美國通貨膨脹率趨勢的過程中，近期很明顯可以發現美國對通貨膨脹率的控制。「數據驅動決定政策」的原則，讓數據被操控的可能性大大增加。

我們還能看到，美國在新冠肺炎前的通貨膨脹率短期趨勢變化是一回事。新冠肺炎時期是一回事，而聯準會升息後的通貨膨脹率又是一回事。最後就是2024總統大選開始又是一回事。

這明顯的政治週期和政府干預影響美國的通貨膨脹率趨勢。這些是你使用各種分析方法都無法抓出來的客觀結果。

如果你還無法做到這些，並且想學習數據分析，那麼「AI數據分析」將是你在AI時代下最棒的數據分析利器。

長期追蹤：https://sites.google.com/view/usinflation

~~~~
轉折即時 洞見無界
告別滯後模型
讓趨勢主動客觀說話
~~~~

#經濟 #財經 #通貨膨脹 #通脹 #數據分析 #資料分析 #物價 #AI #MathAI #AI數據分析 #課程 #economy #USA #inflation #usinflation #economywatch

2025
台灣端午
祝福大家
端午安康

「創新」讓AI真正顯示數據特徵下的數據分析方法！

同樣的迴歸，AI不是幫你運算迴歸，而是根據數據特徵，反覆使用迴歸

#美國生活 簡簡單單的雞蛋價格短期趨勢飛高那麼多，別說禽流感了，每年都有，難道一年比一年嚴重？

用語言愚弄人
不願意尋找數字
不願意分析數字
故意讓所有人陷於
虛假的理論應用和分析方法上
這才是阻礙社會進步和科技進步

沒有人願意花大筆資金
吃力不討好地做基礎研究

這是一股精神支撐
不然就讓這世界爛下去吧

不是我不願意分析某些數據指標
只是不想因揭露真相被攻訐討伐
我和學員們一起觀看與討論就好
想學習有課程可以參加持續開課

有些有基礎經濟背景的學員參加
他們看到了真實週期和關鍵時間
有些行業別薪資趨勢和週期驚人
歷史數據真實規律讓人難以相信

你說湊巧？你說真實？誰知道呢
數據就是這樣表現，誰能說假？
或者你要直指原數據作假嫌疑？
或者誰知道原數據有記錄錯誤？

二級數據就只能相信官方公布的
除非官方另行公告數據調整改變
不然你也只能相信公布的數據值
方法也沒錯誤下你得相信這結果

AI數據分析方法找出了短期趨勢
方法沒錯，還能降維，產出動態
結果精準，給出關鍵，資訊直觀
你不相信，也不能說這結果錯誤

別人先學了，先一步獲得新資訊
你落後了，無法怪他人先有資訊