活動內容 / Event Details：
上課日期：115 年 9 月 14日(一)、15 日(二)、21日(一)、22日(二)，09:30~17:00，共 30 小時
上課地點：台中文心305會議室(臺中市北屯區平昌里文心路四段936號3樓) + 線上直播（課程前 1 天發送連結通知）
課程費用：課程學費由政府補助，經遴選資格通過者免費。
參訓資格：(1)批發業營運管理/資訊軟體相關人才
(2)從事服務業之在職人士，凡對本議題具有興趣者
招生人數：預計招生 80 人
報名方式：線上報名（遴選結果由辦課單位統一發信通知）。
課程型態：混成，計 30 小時（含線上自學 4 小時）。
【計畫介紹】
本課程以零售、批發、餐飲、物流倉儲及生活服務等服務業次產業為推動對象，盤點產業共通營運痛點，設計 AI 應用情境與培訓課程，協助業者由理解 AI 進階至實際應用，培育服務業 AI 應用人才，提升產業數位化與智慧化發展能力。
【課程介紹】
本課程以批發業為應用場域，聚焦資料分析、低程式碼機器學習與 MLOps 部署，協助學員從「能快速建模」進一步走向「可穩定上線、可監控、可擴充」的完整流程，回應品項眾多、庫存與補貨波動、通路與客戶層級複雜、價格與促銷決策需快速回應等營運挑戰。
課程將帶領學員理解批發業資料如何支援需求預測、庫存補貨、客戶分群、銷售異常偵測、價格與促銷分析，並納入 PyCaret 之 No Code／Low Code 思維，示範如何以較低程式門檻完成資料處理、模型比較、模型調校與預測流程，再銜接 MLflow 等平台進行實驗追蹤、模型版本管理、模型註冊、部署與監控，建立能支援企業內部持續改善與規模化應用的機器學習管理能力。
【課程目標】
本課程協助批發業者從資料分析應用出發，結合 PyCaret 低程式碼建模工具與 MLflow MLOps 管理平台，逐步建立可快速驗證、可管理、可追蹤、可部署的機器學習流程。具體而言有以下四個目標：
1. 建立批發業 AI 與資料分析應用架構，掌握需求預測、庫存補貨、客戶分群、銷售異常與價格分析等常見場景。
2. 理解機器學習專案從資料取得、特徵工程、模型訓練、模型比較、評估驗證到部署監控的完整生命週期。
3. 掌握 PyCaret 於 No Code／Low Code 建模、AutoML 模型比較與快速原型開發上的應用，降低批發業導入 AI 的技術門檻。
4. 完成一套批發業 MLOps 應用方案雛形，能將 PyCaret 產出的模型與流程銜接至 MLflow，並整合至企業日常營運與決策流程。
【課程內容】
| 日期 | 模組 | 課程單元 | 時數 | 地點 |
| 結訓日前完成 | AI 時代的風險與安全意識 | 別掉入陷阱！識破網路詐騙 1. 網路詐騙的危害 2. 認識各類型網路詐騙與避 AI時代真假難辨？破解生成式AI與假訊息 1. 生成式AI風險 2. 全球AI治理與評測現況 守住你的數位資產!個人與企業資料防護指南 1. 為什麼資料要防護？ 2. 個人日常中的資料防護 | 4H | 線上
自學 |
| 9/14（一） | AI 認知：批發業資料分析與低程式碼 AI 導入定位 | • 批發業營運痛點與 AI 應用地圖：需求預測、庫存補貨、缺貨風險、客戶分群、銷售異常與價格分析
• 資料盤點與資料治理：訂單、庫存、客戶、供應商與通路資料品質檢核
• No Code／Low Code AI 導入觀念：從商業問題、資料欄位到可執行模型流程；PyCaret 在快速原型與 AutoML 中的角色
• MLOps 導入藍圖：模型生命週期、跨部門協作、資料科學專案管理與部署情境 | 6.5H | 台中會議室+
線上直播 |
| 9/15（二） | AI 建模：PyCaret 低程式碼建模與模型實驗管理 | • 批發業資料前處理與特徵工程：銷售、庫存、客戶與時間序列資料整理；缺漏值、異常值與資料切分
• PyCaret No Code／Low Code 建模實作：setup、compare_models、create_model、tune_model、evaluate_model 與 predict_model
• 常見模型應用示範：迴歸、分類、分群與異常偵測；需求預測、客戶分群與銷售異常案例
• 模型評估與解釋：指標選擇、交叉驗證、特徵重要性與模型比較報告
• 實驗紀錄銜接：將 PyCaret 建模流程與 MLflow Tracking 概念連結 | 6.5H | 台中會議室+
線上直播 |
| 9/21（一） | MLOps 部署：PyCaret 模型管線、MLflow 平台與服務化 | • PyCaret 模型輸出與管線保存：save_model、load_model、finalize_model 與可重現流程
• MLflow 平台架構與環境搭建：Tracking Server、Backend Store、Artifact Store；本機、團隊與企業部署情境差異
• 實驗追蹤與模型版本管理：參數、指標、模型檔案與資料版本紀錄；由 PyCaret 實驗結果進入 MLflow 管理
• 模型註冊與部署流程：Model Registry、版本控管、Stage 管理與批次／API 服務化
• 批發業部署情境：每日需求預測、補貨建議、異常銷售警示與客戶分群更新 | 6.5H | 台中會議室+
線上直播 |
| 9/22（二） | AI 整合：低程式碼模型治理、監控與批發業專題成果 | • 從 PyCaret 原型到正式部署：驗證商業價值、確認資料來源、建立重訓與回滾機制
• 模型監控與持續改善：資料漂移、模型效能衰退與告警機制；定期重訓與模型更新流程
• MLOps 治理與風險管理：權限控管、稽核紀錄與模型文件化；人機協作與決策責任界定
• No Code／Low Code 導入限制與風險：避免黑箱套用、資料品質不足與過度自動化決策
• 專題成果發表：批發業 MLOps 應用方案設計，含 PyCaret 建模流程、MLflow 管理架構與導入路線圖 | 6.5H | 台中會議室+
線上直播 |
※主辦單位保留變更課程內容與講師之權利
【講師簡介】
李宜熹主任
現職：東吳大學智能商業研究中心主任、東吳大學財務工程與精算數學系副教授、國立政治大學數位創新金融實驗室首席副執行長、國立政治大學 AI 創新實驗室副執行長；並長期擔任證券暨期貨市場發展基金會、台灣金融研訓院等機構之金融科技與 AI 相關課程講師。
專長：人工智慧與資料分析、金融科技、區塊鏈、量化投資、風險管理與企業數位轉型。
實務專案經驗：擔任過大型金融業與資訊流通業的數位轉型顧問，具備多年資料分析、AI 模型建置與企業系統導入經驗，曾參與法人企業徵信報告自動化流程驗證、自動化人工智能徵信評等系統、AI 資金需求預測模型、人工智慧選股策略輔助系統、AI 數據科學教育訓練等委託研究與建置計畫，熟悉從資料整合、特徵工程、模型訓練、驗證評估到系統化落地的完整流程。
【培訓證書】
學員課程出席時數達到 80% 以上、完成前後測考試即可獲得受訓證明。
【課程洽詢】
陳小姐 聯絡信箱： candicechen@iii.org.tw
【注意事項】
1. 報名完成後，辦課單位會進行資格審查，並於開課前一周通知遴選結果。為確保您的上課權益，若您未收到任何回覆，敬請來電或來信洽詢。
2. 課程當日無供應餐點，請自理午餐；若需辦課單位代訂便當請自備現金。
3. 為配合講師時間或臨時突發事件，主辦單位有調整日期或更換講師之權利。
4. 本課程為經濟部補助計畫，受訓學員需填寫個人基本資料與相關同意書，並於每堂課程上課須簽到、下課須簽退，且結訓學員需配合經濟部培訓後相關意見調查。
5. 若學員報名成功後，達 2 次以上無故缺席課程或臨時取消課程，將會影響您後續參與本計畫免費課程之權益，懇請學員知悉與留意。
6. AI 人才培育計畫網站：https://serv.gcis.nat.gov.tw/AOCAI/