AI數據應用人才養成班第01期_第八組專題主題：少吃一口Bot скачать в хорошем качестве

AI數據應用人才養成班第01期_第八組專題主題：少吃一口Bot

台灣肥胖問題日益嚴重，隨著健康意識漸漸提升，許多民眾卻無法即時掌握自身健康風險，缺乏科學化工具與簡便介面。因此透過 Line 聊天機器人「少吃一口 BOT」，讓使用者輸入簡單數據，即可獲得準確肥胖風險預測與個人化健康建議。 「專案特色」 1.模型準確性高： －本預測模型經過Kaggle 競賽認證（分數0.90769/名次633名/排名百分比17.6%），準確性高。 2.結合生成式 AI 強化互動與建議準確性： －根據身體狀況生成專屬建議，提升健康自主管理動機與實用性。 3.泛用性高，可拓展應用場景： －可應用於企業健康推廣、保健品推薦、校園體重管理、保險公司保戶風險評估等多元場域。 4.具成本概念的 AI 應用實踐： －不僅完成模型與應用開發，更納入 GCP 成本分析與三大雲平台比較，供未來企業實際導入參考。 5.圖像化數據分析： －透過Tableau儀表板，動態觀察預測欄位與特徵欄位的關係 【專題中使用的技術/工具/應用/模型或服務等】 1. 模型與演算法：XGBoost（主力模型）、MLP、SVM、LightGBM、Boosting、Bagging、Stacking 比較分析 Class-weight balancing（處理類別不平衡）、Two-Stage 預測策略、SHAP 解釋。 2. 前處理與特徵工程：get_dummies、Label Encoding、One-Hot Encoding、StandardScaler、LDA 降維。 3. 評估指標：Accuracy、F1-score、PR curve、ROC AUC、Cross-validation。 4. 後端框架：Python、Flask。 5. 前端互動：LINE Bot。 6. 生成式 AI：Gemini API（Google Vertex AI）生成健康建議。 7. 雲端平台：GCP（Cloud Run, BigQuery, GCS, Vertex AI, Artifact Registry）。 8. 容器與部署：Podman 容器建置 → 推送至 Artifact Registry → 部署至 Cloud Run。 9. 視覺化分析：Tableau 儀表板（動態觀察肥胖風險與習慣特徵）。 10.成本與效能分析：GCP / AWS / Azure 成本比較、雲資源優化建議。