首次發佈：校務研究 2019 人工智慧、機器學習【資料探勘 6 大任務】臺北市立大學王保進教授：校務研究要能達成最終數據本位科學決策之精義，資料採礦技術扮演最後一哩的關鍵角色。
因此，受限於資料採礦技術能力，目前都只能根據資料利用視覺化軟體（如TABLEAU）做一些描述性統計表格或統計圖，而未能依據資料（data）萃取更多有意義之資訊（information）甚至進一步整合成系統性知識（knowledge）累積沉澱成校務經營與發展之智慧（wisdom）。
資料探勘（data mining）是一個跨學科的電腦科學分支。它是用人工智慧、機器學習、統計學和資料庫的交叉方法在相對較大型的資料集中發現模式的計算過程。資料探勘涉及六類常見的任務：
1.異常檢測（異常/變化/偏差檢測）– 辨識不尋常的資料記錄，錯誤資料需要進一步調查。
2.關聯規則學習（依賴建模）– 搜尋變數之間的關係。例如，一個超市可能會收集顧客購買習慣的資料。運用關聯規則學習，超市可以確定哪些產品經常一起買，並利用這些資訊幫助行銷。這有時被稱為市場購物籃分析。
3.群集 – 是在未知資料的結構下，發現資料的類別與結構。
4.分類 – 是對新的資料推廣已知的結構的任務。例如，一個電子郵件程式可能試圖將一個電子郵件分類為「合法的」或「垃圾郵件」。
5.回歸 – 試圖找到能夠以最小誤差對該資料建模的函式。
6.匯總 – 提供了一個更緊湊的資料集表示，包括生成視覺化和報表。（轉貼）
＃心理測驗統計 ＃教育研究法 ＃大數據 ＃人工智慧機器人 ＃教甄口試
因此，受限於資料採礦技術能力，目前都只能根據資料利用視覺化軟體（如TABLEAU）做一些描述性統計表格或統計圖，而未能依據資料（data）萃取更多有意義之資訊（information）甚至進一步整合成系統性知識（knowledge）累積沉澱成校務經營與發展之智慧（wisdom）。
資料探勘（data mining）是一個跨學科的電腦科學分支。它是用人工智慧、機器學習、統計學和資料庫的交叉方法在相對較大型的資料集中發現模式的計算過程。資料探勘涉及六類常見的任務：
1.異常檢測（異常/變化/偏差檢測）– 辨識不尋常的資料記錄，錯誤資料需要進一步調查。
2.關聯規則學習（依賴建模）– 搜尋變數之間的關係。例如，一個超市可能會收集顧客購買習慣的資料。運用關聯規則學習，超市可以確定哪些產品經常一起買，並利用這些資訊幫助行銷。這有時被稱為市場購物籃分析。
3.群集 – 是在未知資料的結構下，發現資料的類別與結構。
4.分類 – 是對新的資料推廣已知的結構的任務。例如，一個電子郵件程式可能試圖將一個電子郵件分類為「合法的」或「垃圾郵件」。
5.回歸 – 試圖找到能夠以最小誤差對該資料建模的函式。
6.匯總 – 提供了一個更緊湊的資料集表示，包括生成視覺化和報表。（轉貼）
＃心理測驗統計 ＃教育研究法 ＃大數據 ＃人工智慧機器人 ＃教甄口試
