在人工智慧快速演進的今日,機器學習(Machine Learning)已成為數據分析與風險預測的重要利器,並逐步嵌入審計與內控流程之中,重塑傳統電腦稽核模式。本課程《機器學習與AI人工智慧於稽核應用實例演練》,正是為了回應此趨勢所設計,內容聚焦於如何將監督式與非監督式學習模型實作於實際查核情境中,協助學員掌握從資料前處理、模型訓練、指標評估到異常偵測的完整流程。
機器學習的核心在於模型透過大量資料訓練後,能進行分類、預測與模式辨識,無需事先設定明確規則,這為內部稽核人員帶來極大助益。透過演算法輔助,審計能從「事後查核」邁向「事前預警」,有效提高風險掌握度與資源配置效率,特別適用於客戶流失預測、供應商風險分析、異常交易偵測等應用場景。
此次課程特別邀請國立雲林科技大學管理學院 孫嘉明教授擔任講師,孫教授長期專研於AI與財務資訊整合領域,亦具備深厚的實務與產學合作經驗,能以深入淺出的方式,帶領學員掌握理論與操作雙重能力。課程將採用JCAATs AI稽核軟體進行上機實作,結合資料視覺化、機器學習指令實習:學習(Train)、預測(Predict)、集群(Cluster)、離群(Outlier)等指令實習,讓非技術背景的稽核人員也能快速上手,實踐智慧查核。
如果你希望在AI時代中擁有不被取代的競爭力、學會以數據為依據做出敏捷決策,那麼這門課將是你邁向智慧審計轉型的重要起點。
課程大綱:
- 機器學習(Machine Learning)於新稽核環境的應用實務案例探討
- 當前運用AI應遵循的核心原則
- JCAATs AI人工智慧新稽核軟體應用功能簡介
- 監督式機器學習 VS 非監督式機器學習
- 機器學習指令實習-學習(Train)、預測(Predict)、集群(Cluster)、離群(Outlier)等指令應用練習
- 監督式機器學習演算法(決策樹、KNN、SVM、隨機森林、羅吉斯回歸)探討
- 如何評估監督式機器學習模型好壞-機器學習模型評估基礎-混沌矩陣 (confusion matrix)應用實例
- 實務案例上機演練一:以決策數 (Decision Tree)進行預測性稽核為例
- 實務案例上機演練二:以K近鄰算法(KNN)進行預測性稽核為例
- 實務案例上機演練三:缺失值或不對稱資料設定學習歷程提高機器學習模型訓練成效與實例演練
- 機器學習常犯隱形錯誤與解決對策
- AI智慧化稽核流程-機器學習讓事前稽核成為可能
