金融生成式AI應用規劃師培訓計畫(第5期)補充資料-2026/07/03-2026/07/08

內容

機器學習-異常值檢測的9種方法

高斯過程-代理模型

採集函數與高斯過程

藍色虛線：是模型對真實函數（藍色實線）的預測均值。

淺藍色陰影區域：代表模型的不確定性。你可以看到，在觀測點（黑色圓點）附近，不確定性很小，而在缺乏數據的區域，陰影就會變寬。

機器學習與深度學習常見超參數（Hyperparameters）總覽表

範疇分類	核心超參數	英文名稱	核心作用與影響說明
訓練過程與優化	學習率	Learning Rate (α)	控制每次權重更新的步長。過大會導致無法收斂或發散；過小會使訓練速度極慢且易陷入局部最佳解。
	批次大小	Batch Size	每次迭代輸入模型的樣本數量。大批次梯度估計穩定但需更多記憶體；小批次隨機性高，有助跳出局部最小值。
	訓練輪數	Epochs	整個訓練數據集被模型完整學習的次數。太少會導致欠擬合；太多則容易導致過擬合。
	優化器	Optimizer	如 SGD, Adam, RMSprop 等。決定梯度下降時的權重更新策略、動量及自適應學習率的計算方式。
	正則化係數	Regularization (λ)	如 L1 (Lasso) 或 L2 (Ridge) 的懲罰項係數。用於控制模型複雜度，抑制權重過大以防止過擬合。
深度學習網路結構	隱藏層與神經元數	Hidden Layers & Units	定義神經網路的深度與寬度。層數與神經元越多，模型的擬合能力（容量）越強，但計算量與過擬合風險也同步增加。
	激活函數	Activation Function	如 ReLU, Sigmoid, Tanh 等。為神經網路引入非線性特徵，決定神經元是否與如何被激活。
	暫退率	Dropout Rate	在訓練過程中随機「關閉」神經元的比例。迫使網路學習更具泛化能力的特徵，是極為有效的正則化手段。
	卷積超參數 (CNN)	Kernel Size / Stride / Padding	卷積神經網路特有。卷積核大小、步長與填充方式共同決定了特徵圖（Feature Map）的尺寸與感受野。
樹狀與集成模型	樹的最大深度	Max Depth	單棵決策樹可以生長的最大層數。深度過大會使模型過度學習樣本細節進而過擬合。
	基樹數量	n_estimators	隨機森林或梯度提升樹（XGBoost/LightGBM）中基礎決策樹的總數。通常越多越穩定，但邊際效益遞減且增加計算成本。
	葉節點最少樣本數	Min Samples Leaf	一個葉子節點必須包含的最少樣本數量。用於控制樹的分裂，值越大越能防止樹長得太過破碎（防止過擬合）。
	特徵/樣本抽樣比例	Subsample / Colsample	每次建樹或分裂時，隨機抽選的樣本比例或特徵比例。引入隨機性以降低多棵樹之間的相關性。
其他經典機器學習	K值 (KNN/K-Means)	K Value	在 KNN 中代表參考的鄰居數量（K越小模型越複雜）；在 K-Means 中代表預期分出的群集（Cluster）總數。
	懲罰係數 (SVM)	C Parameter	支持向量機中對錯誤分類的寬容度（懲罰權重）。C 越大越不容許錯誤（易過擬合）；C 越小邊界越平滑。
	核函數參數 (SVM)	Gamma (γ)	RBF核函數中的參數，控制單個訓練樣本的影響範圍。Gamma 越大，影響範圍越小，決策邊界越精細且複雜。

CNN 3D效果

https://adamharley.com/nn_vis/cnn/3d.html

TabDPT試跑

Google Colab代碼連接

https://colab.research.google.com/drive/1a5WO0bQAI_1R9PpKrEHxNgGCaK_f4yfR?usp=sharing

Mastercard的大型表格模型(LTM, Large Tabular Model)

Meet Mastercard’s new generative AI model, 2026/3/17

資料分級與雲端策略

雲端、地端-業務場景適配

開源與閉源前沿模型能力比較

Open Knowledge Format介紹

徵信報告多agent工作

AI投資ROI評估案例

導入 GitHub Copilot 後，最直接的成果體現在程式碼產出量上，僅僅一個月內，整體程式碼產量就增加了 50%，開發團隊平均每天能產出超過 1,000 行程式碼，品質上程式碼品質的衡量指標全數下降，重複程式碼密度下降了 50%，且預估修復技術債所需的工時減少 40% 以上，同時，專案的平均單元測試覆蓋率提升了 15% 以上。