本實驗室於大數據分析與預測方面之研究，可分為以下幾個方向。

智慧製造大數據分析與預測

在生產力 4.0 的時代，一個很重要的特點就是生產系統 (如：機器、倉儲、生產線上的機台等)可以彼此的溝通、物聯網累積了大量資料。如何解讀這些大量資料，甚至讓機器自動化解讀感應器資料，達到機器自我運作、自我診斷、瑕疵分析、容錯與修復，一直是工業上的理想。工業用電腦的生產大廠商，常有製程良率與品管的問題。每個Job-Shop模式下的工廠都想提高工廠的利潤，其中的一個方式就是在製造工程中使用狀態良好的機器對原物料進行加工，以減少製造中產生的瑕疵品進而提升利潤。此外，要讓所有機器都維持在良好狀態就意味著必須立即維修狀況惡化的機器。我們可以利用觀看產線上的即時機器良率而得知哪台機器正在惡化。然而有時候製造工廠並沒有即時生產數據，因此可以使用工廠的定期數據。在其他的研究中建議使用維護機器歷史資料以及機器衰減率，但是有時候這些資料並不可靠而且難以得到。另一方面，由於製造工廠不會在每台機器上安裝檢查工具，因此無法得到每台機器的良率。若是在每台機器上安裝檢查工具，不但耗時而且大幅增加生產成本。所以製造工廠僅會在少數的機器上安裝檢查工具，考量質量控制目的，甚至只會在生產步驟中的最後一台機器上安裝檢查工具。因此我們的研究通過提出一種基於檢驗數據來計算所有未知的機器良率的新方法來填補這一塊空白。破片瑕疵分析計畫運用學術界的資源，輔導廠商變更生產模式，以非線性數理方法或者資料探勘的方法對於交期、機器自我運作、自我診斷、容錯與修復進行相關的課題研究。運用最大期望值機器學習演算法則，由似然函數(likeihood)，果追因，運用人工智慧方法論中-高度資料不足的情境下進行決策推論，希望有助於我國產業技術之提升與發展。

本實驗室結合相關領域教授學者共同研發生產力 4.0 的幾項關鍵技術：漸進式交期預測模型、特殊生產途程之根本原因分析方法、巨量資料分析平台、即時決策運算平台、預測瑕疵模型(文件下載)、自動光學檢查(文件下載)、自動胚布光學檢驗模型(文件下載)，輔以替北部工業用電腦的廠商進行產學合作及實務問題的解決。近兩年來，本實驗室承接兩項國科會計畫與三項產學合作計畫，目前有一項國科會計畫與一項產學合作計畫為執行狀態。

財務預測

有效預測財務困難的企業對於金融機構作出適當的貸款決策是至關重要的。在一般情況下，輸入的變數（或特徵），如財務指標、特徵篩選方法的選擇、以及使用統計方法和機器學習技術，是影響預測效能的三個重要因素。在過去的十年中，我們的研究團隊在三個方向上對於財務危機預測問題（financial distress prediction problem , 簡稱: FDP）都獲得了巨大的啟發。在最近的研究中，公司治理指標（corporate governance indicators , 簡稱: CGIs）已經被發現是輸入變數中的除了財務指標（financial ratios , 簡稱: FRs）之外另一個重要的特徵。然而，通過合併CGIs和FRs獲得的效能還沒有被完整檢驗，因為只有一些選定的CGIs和FRs在相關的研究中使用，而所選擇的特徵在各個研究中有可能完全不同。因此，我們的研究致力於這個方向，以評估分別結合不同類別的 FRs和CGIs 所獲得的預測效能。實驗結果根據台灣的上市櫃公司真實資料，顯示在FRs中的償債能力和盈利能力和CGIs中的董事會結構和股權結構都是預測破產最重要的特徵。特別是，從預測的準確率、第I / II型錯誤、ROC曲線、以及分類錯誤成本的組合中得到的最佳預測模型的效能。更多詳細信息請詳閱我們最近的著作[LLT16] [LLL15]。

許多研究認為在建構模型之前，特徵篩選是為資料探勘的預先處理步驟。大多數的研究主要集中在於應用單一特徵篩選方法，我們進行了全面的研究，探討進行filter approach和wrapper approach特徵篩選方法的效果。同時，特徵篩選對使用多種classifiers預測模型的影響也進行了研究。在實驗中，使用了兩個財務危機的資料集。此外，三個filter approach和兩個wrapper approach的特徵篩選方法結合六個相異的預測模型進行了研究。我們的實驗結果顯示，filter approach特徵篩選方法的效能比wrapper approach的模型更佳。另外，根據所選擇的技術中，執行特徵篩選並不總是能夠提高預測效能。有興趣的讀者可以參考[LTW15] [LLY14]。

最後，使用適當的機器學習技術來建構預測模型也是影響其性能的關鍵因素。我們引入了classifier ensemble方法，以減少分類錯誤的成本。通過利用unanimous voting（UV）方法結合由多個classifiers產生的輸出，以找到最終的預測結果。基於四個相關的資料集獲得的實驗結果表明，我們的UV集合方法優於許多基線單一分類和classifier ensemble。更具體而言，UV集成不僅提供相對良好的預測準確率和第I / II型錯誤，也僅產生最小的錯誤分類成本。