書子 的 AI 應用筆記
首頁內容方案關於
書子 的 AI 應用筆記
本篇說明 AI 專案中資料的重要性，從「資料來源」到「資料清理」建立完整前處理觀念。資料可來自內、外部平台，不同來源影響品質與風險。接著介紹常見的資料問題，包括缺失值、重複值與離群值，它們可能導致模型判斷失準。最後整理資料處理流程。強調 AI 成效取決於資料品質，而非模型複雜度。
本文探討資料在 AI 中的重要性，強調「資料是 AI 的起點」。資料錯誤可能導致決策偏差，並引出「Garbage In, Garbage Out」的觀念。機器學習中「資料品質」直接影響模型能力，必須重視資料處理，並為後續學習資料預處理做準備。
實務應用上，資料往往「多卻沒標籤」，或「有標籤卻太少」。半監督式學習（Semi-Supervised Learning）利用少量已標註資料，搭配大量未標註資料進行學習，兼顧成本與效果。它不像監督式學習那樣要求完整標籤，也不同於非監督式學習只做分群，而是介於兩者之間的實務策略。
集成學習（Ensemble Learning）可透過結合多個弱學習器，有效提升預測穩定度與準確率。本文整理三大核心方法：Bagging、Boosting 與 Stacking，同時比較隨機森林、AdaBoost、XGBoost 等代表演算法。幫助讀者建立清晰的判斷邏輯，並依情境選擇合適策略。
三個臭皮匠，勝過一個諸葛亮。
集成學習（Ensemble Learning）的核心想法，其實很直覺：不要只聽一個聲音，而是讓多個模型一起做判斷。
它不是新的學習類型，而是一種能提升模型泛化能力的重要策略，也是 B 航線中一定要理解的關鍵概念。
非監督式學習，是在沒有標準答案的情況下，協助我們整理資料本身的結構。它回答三個核心問題：哪些資料彼此相似、哪些特徵才是真正重要、哪些事件常常一起發生。
本文從「聚類分析」、「降維技術」到「關聯規則學習」，帶你建立非監督式學習的整體理解框架，理解 AI 如何先整理資料，再由人來解讀意義。
非監督式學習（Unsupervised Learning）用來處理沒有答案的資料。它不依賴事先標記好的答案，而是透過觀察資料本身，找出相似性、隱藏關係與整體結構，幫助我們理解資料「長什麼樣子」。因此，非監督式學習常被用在資料探索、前處理與策略分析。當問題尚未被清楚定義時，它往往是第一個登場的工具。
本篇延續羅吉斯迴歸的分類概念，帶你認識其他常見的分類模型，包括 KNN、SVM、貝氏分類與決策樹。文章不談公式與數學推導，而是從「模型在想什麼」出發，用生活化比喻說明各模型的判斷邏輯與特性差異，幫助你在看到題目描述時，能快速辨認適合的模型類型。適合剛入門的讀者，建立分類模型的整體輪廓與直覺判斷能力。
銀行拒絕核貸，真的只是「不通過」嗎？
本篇從老徐的核貸案例出發，帶你理解羅吉斯迴歸如何用 Sigmoid 函數 將風險分數轉為機率，並透過 損失函數 與 梯度下降 不斷修正模型。重點解析 Accuracy 為何直覺卻不可靠，以及它在分類問題中的限制。讀完你會明白：模型算的不是答案，而是風險。
老徐坐在辦公桌前盯著手機，快4個小時了，銀行那邊遲遲沒有回覆消息。
為了推動新產線，他向銀行申請 2000 萬 的設備貸款。
資料早就交齊，往來紀錄也不差， 但整整三天，訊息就像被丟進黑洞。
終於，他鼓起勇氣撥通銀行電話。
對方語氣很客氣，卻只回了一句：
「經過電腦審核，貴公司目前無法通過核貸」
本篇說明 AI 專案中資料的重要性，從「資料來源」到「資料清理」建立完整前處理觀念。資料可來自內、外部平台，不同來源影響品質與風險。接著介紹常見的資料問題，包括缺失值、重複值與離群值，它們可能導致模型判斷失準。最後整理資料處理流程。強調 AI 成效取決於資料品質，而非模型複雜度。
本文探討資料在 AI 中的重要性，強調「資料是 AI 的起點」。資料錯誤可能導致決策偏差，並引出「Garbage In, Garbage Out」的觀念。機器學習中「資料品質」直接影響模型能力，必須重視資料處理，並為後續學習資料預處理做準備。
實務應用上，資料往往「多卻沒標籤」，或「有標籤卻太少」。半監督式學習（Semi-Supervised Learning）利用少量已標註資料，搭配大量未標註資料進行學習，兼顧成本與效果。它不像監督式學習那樣要求完整標籤，也不同於非監督式學習只做分群，而是介於兩者之間的實務策略。
集成學習（Ensemble Learning）可透過結合多個弱學習器，有效提升預測穩定度與準確率。本文整理三大核心方法：Bagging、Boosting 與 Stacking，同時比較隨機森林、AdaBoost、XGBoost 等代表演算法。幫助讀者建立清晰的判斷邏輯，並依情境選擇合適策略。
三個臭皮匠，勝過一個諸葛亮。
集成學習（Ensemble Learning）的核心想法，其實很直覺：不要只聽一個聲音，而是讓多個模型一起做判斷。
它不是新的學習類型，而是一種能提升模型泛化能力的重要策略，也是 B 航線中一定要理解的關鍵概念。
非監督式學習，是在沒有標準答案的情況下，協助我們整理資料本身的結構。它回答三個核心問題：哪些資料彼此相似、哪些特徵才是真正重要、哪些事件常常一起發生。
本文從「聚類分析」、「降維技術」到「關聯規則學習」，帶你建立非監督式學習的整體理解框架，理解 AI 如何先整理資料，再由人來解讀意義。
非監督式學習（Unsupervised Learning）用來處理沒有答案的資料。它不依賴事先標記好的答案，而是透過觀察資料本身，找出相似性、隱藏關係與整體結構，幫助我們理解資料「長什麼樣子」。因此，非監督式學習常被用在資料探索、前處理與策略分析。當問題尚未被清楚定義時，它往往是第一個登場的工具。
本篇延續羅吉斯迴歸的分類概念，帶你認識其他常見的分類模型，包括 KNN、SVM、貝氏分類與決策樹。文章不談公式與數學推導，而是從「模型在想什麼」出發，用生活化比喻說明各模型的判斷邏輯與特性差異，幫助你在看到題目描述時，能快速辨認適合的模型類型。適合剛入門的讀者，建立分類模型的整體輪廓與直覺判斷能力。
銀行拒絕核貸，真的只是「不通過」嗎？
本篇從老徐的核貸案例出發，帶你理解羅吉斯迴歸如何用 Sigmoid 函數 將風險分數轉為機率，並透過 損失函數 與 梯度下降 不斷修正模型。重點解析 Accuracy 為何直覺卻不可靠，以及它在分類問題中的限制。讀完你會明白：模型算的不是答案，而是風險。
老徐坐在辦公桌前盯著手機，快4個小時了，銀行那邊遲遲沒有回覆消息。
為了推動新產線，他向銀行申請 2000 萬 的設備貸款。
資料早就交齊，往來紀錄也不差， 但整整三天，訊息就像被丟進黑洞。
終於，他鼓起勇氣撥通銀行電話。
對方語氣很客氣，卻只回了一句：
「經過電腦審核，貴公司目前無法通過核貸」
本篇說明 AI 專案中資料的重要性，從「資料來源」到「資料清理」建立完整前處理觀念。資料可來自內、外部平台，不同來源影響品質與風險。接著介紹常見的資料問題，包括缺失值、重複值與離群值，它們可能導致模型判斷失準。最後整理資料處理流程。強調 AI 成效取決於資料品質，而非模型複雜度。
本文探討資料在 AI 中的重要性，強調「資料是 AI 的起點」。資料錯誤可能導致決策偏差，並引出「Garbage In, Garbage Out」的觀念。機器學習中「資料品質」直接影響模型能力，必須重視資料處理，並為後續學習資料預處理做準備。
實務應用上，資料往往「多卻沒標籤」，或「有標籤卻太少」。半監督式學習（Semi-Supervised Learning）利用少量已標註資料，搭配大量未標註資料進行學習，兼顧成本與效果。它不像監督式學習那樣要求完整標籤，也不同於非監督式學習只做分群，而是介於兩者之間的實務策略。
集成學習（Ensemble Learning）可透過結合多個弱學習器，有效提升預測穩定度與準確率。本文整理三大核心方法：Bagging、Boosting 與 Stacking，同時比較隨機森林、AdaBoost、XGBoost 等代表演算法。幫助讀者建立清晰的判斷邏輯，並依情境選擇合適策略。
三個臭皮匠，勝過一個諸葛亮。
集成學習（Ensemble Learning）的核心想法，其實很直覺：不要只聽一個聲音，而是讓多個模型一起做判斷。
它不是新的學習類型，而是一種能提升模型泛化能力的重要策略，也是 B 航線中一定要理解的關鍵概念。
非監督式學習，是在沒有標準答案的情況下，協助我們整理資料本身的結構。它回答三個核心問題：哪些資料彼此相似、哪些特徵才是真正重要、哪些事件常常一起發生。
本文從「聚類分析」、「降維技術」到「關聯規則學習」，帶你建立非監督式學習的整體理解框架，理解 AI 如何先整理資料，再由人來解讀意義。
非監督式學習（Unsupervised Learning）用來處理沒有答案的資料。它不依賴事先標記好的答案，而是透過觀察資料本身，找出相似性、隱藏關係與整體結構，幫助我們理解資料「長什麼樣子」。因此，非監督式學習常被用在資料探索、前處理與策略分析。當問題尚未被清楚定義時，它往往是第一個登場的工具。
本篇延續羅吉斯迴歸的分類概念，帶你認識其他常見的分類模型，包括 KNN、SVM、貝氏分類與決策樹。文章不談公式與數學推導，而是從「模型在想什麼」出發，用生活化比喻說明各模型的判斷邏輯與特性差異，幫助你在看到題目描述時，能快速辨認適合的模型類型。適合剛入門的讀者，建立分類模型的整體輪廓與直覺判斷能力。
銀行拒絕核貸，真的只是「不通過」嗎？
本篇從老徐的核貸案例出發，帶你理解羅吉斯迴歸如何用 Sigmoid 函數 將風險分數轉為機率，並透過 損失函數 與 梯度下降 不斷修正模型。重點解析 Accuracy 為何直覺卻不可靠，以及它在分類問題中的限制。讀完你會明白：模型算的不是答案，而是風險。
老徐坐在辦公桌前盯著手機，快4個小時了，銀行那邊遲遲沒有回覆消息。
為了推動新產線，他向銀行申請 2000 萬 的設備貸款。
資料早就交齊，往來紀錄也不差， 但整整三天，訊息就像被丟進黑洞。
終於，他鼓起勇氣撥通銀行電話。
對方語氣很客氣，卻只回了一句：
「經過電腦審核，貴公司目前無法通過核貸」
本篇說明 AI 專案中資料的重要性，從「資料來源」到「資料清理」建立完整前處理觀念。資料可來自內、外部平台，不同來源影響品質與風險。接著介紹常見的資料問題，包括缺失值、重複值與離群值，它們可能導致模型判斷失準。最後整理資料處理流程。強調 AI 成效取決於資料品質，而非模型複雜度。
本文探討資料在 AI 中的重要性，強調「資料是 AI 的起點」。資料錯誤可能導致決策偏差，並引出「Garbage In, Garbage Out」的觀念。機器學習中「資料品質」直接影響模型能力，必須重視資料處理，並為後續學習資料預處理做準備。
實務應用上，資料往往「多卻沒標籤」，或「有標籤卻太少」。半監督式學習（Semi-Supervised Learning）利用少量已標註資料，搭配大量未標註資料進行學習，兼顧成本與效果。它不像監督式學習那樣要求完整標籤，也不同於非監督式學習只做分群，而是介於兩者之間的實務策略。
集成學習（Ensemble Learning）可透過結合多個弱學習器，有效提升預測穩定度與準確率。本文整理三大核心方法：Bagging、Boosting 與 Stacking，同時比較隨機森林、AdaBoost、XGBoost 等代表演算法。幫助讀者建立清晰的判斷邏輯，並依情境選擇合適策略。
三個臭皮匠，勝過一個諸葛亮。
集成學習（Ensemble Learning）的核心想法，其實很直覺：不要只聽一個聲音，而是讓多個模型一起做判斷。
它不是新的學習類型，而是一種能提升模型泛化能力的重要策略，也是 B 航線中一定要理解的關鍵概念。
非監督式學習，是在沒有標準答案的情況下，協助我們整理資料本身的結構。它回答三個核心問題：哪些資料彼此相似、哪些特徵才是真正重要、哪些事件常常一起發生。
本文從「聚類分析」、「降維技術」到「關聯規則學習」，帶你建立非監督式學習的整體理解框架，理解 AI 如何先整理資料，再由人來解讀意義。
非監督式學習（Unsupervised Learning）用來處理沒有答案的資料。它不依賴事先標記好的答案，而是透過觀察資料本身，找出相似性、隱藏關係與整體結構，幫助我們理解資料「長什麼樣子」。因此，非監督式學習常被用在資料探索、前處理與策略分析。當問題尚未被清楚定義時，它往往是第一個登場的工具。
本篇延續羅吉斯迴歸的分類概念，帶你認識其他常見的分類模型，包括 KNN、SVM、貝氏分類與決策樹。文章不談公式與數學推導，而是從「模型在想什麼」出發，用生活化比喻說明各模型的判斷邏輯與特性差異，幫助你在看到題目描述時，能快速辨認適合的模型類型。適合剛入門的讀者，建立分類模型的整體輪廓與直覺判斷能力。
銀行拒絕核貸，真的只是「不通過」嗎？
本篇從老徐的核貸案例出發，帶你理解羅吉斯迴歸如何用 Sigmoid 函數 將風險分數轉為機率，並透過 損失函數 與 梯度下降 不斷修正模型。重點解析 Accuracy 為何直覺卻不可靠，以及它在分類問題中的限制。讀完你會明白：模型算的不是答案，而是風險。
老徐坐在辦公桌前盯著手機，快4個小時了，銀行那邊遲遲沒有回覆消息。
為了推動新產線，他向銀行申請 2000 萬 的設備貸款。
資料早就交齊，往來紀錄也不差， 但整整三天，訊息就像被丟進黑洞。
終於，他鼓起勇氣撥通銀行電話。
對方語氣很客氣，卻只回了一句：
「經過電腦審核，貴公司目前無法通過核貸」
