各位朋友們好：

首先要坦承，本期電子報內容比較偏向資料科學的原理和技術應用，對於某些初入門者或非數據部門的企業經理人來說，可能會有些不容易著手的感覺。

不過這也是我們這個世代工作者經常面對的實際情況：各種新技術或系統出現的速度快到超乎想像，必須快速掌握許多過去不曾接觸的新知，與此同時，還要能和具有新技能的同事們有效溝通，以達成企業的目標。

尤其是這幾年不停被討論的數位轉型或人工智慧，背後本質其實都是資料驅動（data-driven）；談論導入人工智慧的各種困難時，也常常聽到資料處理才是關鍵。究竟當中有哪些細節需要思考？在本期電子報有詳細分享。

人工智慧科技基金會執行長 溫怡玲

如何從數據中找到使用者需求？

資料處理是一種利用數據幫助人進行決策的方法，探討用模型去解讀不同的資料與意涵，採用新的知識和經驗的戰略，從資料中發現價值。如何透過這些資料科學，幫助察覺地方的交通需求，打造更順暢、便利的大眾運輸服務？

資料不平衡時，如何提高影像辨識準確度？

針對類別數極大、資料不平衡狀況明顯、且同時需要全局與細部資訊的分類問題，透過Google Landmark Recognition 2021的競賽經驗，提出可行的做法。未來，假使讀者遇到具有相似任務性質的問題時，或許可參考本文所使用的架構與處理方式

不必接觸高深數學，也能輕鬆打造高效能AI模型

AutoML是近來極為熱門的話題，使用者不用寫出繁雜的演算法，也能快速打造出AI模型，降低「AI落地」的門檻，大幅減少試驗機器學習模型的時間與痛苦。AutoKeras是一套完全開源的Python AutoML套件，對影像、文字、時間序列或一般結構化資料的預測提供內建類別，甚至會加上資料預處理功能。使用者不必接觸高深的數學，就能用短短幾行程式碼便能打造出成效優異的DL模型。