L23 機器學習技術與應用
iPAS AI 應用規劃師 中級科目三完整學習路線。包含官方勘誤（Recall 公式）、Python scikit-learn 程式碼閱讀、模型評估指標、Ensemble 方法等考點。
- 題數
- 50 題單選題
- 考試時間
- 90 分鐘
- 及格
- 70 分（兩科都要）
- 程式題
- 約 25%，要看懂不用寫
Recall 公式要以官方勘誤為準。中級共考 2 科：L21 必考，再從 L22 或 L23 擇一，兩科都要 70 分以上才算通過。
官方勘誤
學習指引原版有這些錯誤，照原版讀會答錯。
| 主題 | 原版 | 更正 | 影響 |
|---|---|---|---|
| Recall（召回率）公式 | Recall = TP / (TP + FP) | Recall = TP / (TP + FN) | 直接影響模型評估考題答案，是 L23 最重要勘誤 |
| 加權求和通式（神經元計算） | Z = w₁x₁ + w₂x₂ + … + wₙxₙ + b = Σ w₁x₁ + b（下標全為 1） | Z = w₁x₁ + w₂x₂ + … + wₙxₙ + b = Σ wᵢxᵢ + b（下標為 i） | 公式下標錯誤，正確通式是 wᵢxᵢ，感知器章節同一錯誤（p.4-55, 4-56） |
| 邏輯迴歸模型假設術語 | 線性可分性（Linearity in Log-Odds） | 對數勝算的線性關係（Linearity in Log-Odds） | 術語翻譯不準確，考邏輯迴歸假設時影響選項判斷 |
整理：Precision vs Recall 完整公式
| 指標 | 公式 | 意義 |
|---|---|---|
| Precision | TP / (TP + FP) | 預測為正中有多少真正是正 |
| Recall | TP / (TP + FN) | 真正為正中有多少被找到 |
| F1 Score | 2 × P × R / (P + R) | Precision 和 Recall 的調和平均 |
程式碼閱讀題（約 25%）
不需要寫程式，但要看懂以下常見模式：
# scikit-learn 標準流程
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
pipe = make_pipeline(StandardScaler(), LogisticRegression())
pipe.fit(X_train, y_train) # 前處理 + 訓練
y_pred = pipe.predict(X_test)
# cross_val_score 回傳每個 fold 的分數（陣列，不是 mean）
scores = cross_val_score(model, X, y, cv=5)
print(scores.mean()) # 才是平均分115 年新考點
- scikit-learn Pipeline 程式碼閱讀（make_pipeline、fit_transform）
- Keras 與 TensorFlow 的 Sequential 模型結構
- SHAP 值（量化特徵貢獻的可解釋性方法）
- Optuna 與 GridSearchCV 超參數調整
約 25% 是程式碼閱讀題，Recall 公式的勘誤是超高頻考點，官方學習指引原版有誤。
知識點地圖
依評鑑範圍整理，每個主題都可以直接練題目。
L231 機器學習基礎數學
機率統計
- 條件機率、貝氏定理
- 常態分佈、t 分佈
- 最大似然估計（MLE）
線性代數 + 優化
- 矩陣乘法、轉置、特徵值
- PCA 降維原理（特徵值分解）
- 梯度下降（Gradient Descent）
L232 機器學習與深度學習
Ensemble 方法（高頻）
- Bagging（隨機森林）：平行，降 Variance
- Boosting（XGBoost）：序列，降 Bias
- Stacking：用另一個模型整合預測結果
深度學習架構
- CNN：影像特徵（卷積 + 池化）
- RNN/LSTM：序列資料（時間序列、NLP）
- Transformer：Self-Attention，平行計算
L233 建模與調校
過擬合處理
- L1（Lasso）/ L2（Ridge）正則化
- Dropout（隨機丟棄神經元）
- Early Stopping
- 增加訓練資料 / 資料增強
超參數調整
- Grid Search vs Random Search
- K-fold Cross Validation
- Learning Rate 排程
只練 L23：一個知識點配一組題目
依官方評鑑範圍列出 L23 的知識點，讀完概念後直接做同一知識點的題目，題目還不夠 3 題的知識點先不連。
L231 機器學習基礎數學
L232 機器學習與深度學習
L233 機器學習建模與參數調校
- L23301數據準備與特徵工程資料清洗、特徵縮放、類別編碼（One-Hot）、缺失值處理，看這個知識點的題目
-
L23302
模型選擇與架構設計
模型架構的定義、層級設定以及訓練前的核心配置
- L23303模型訓練、評估與驗證模型訓練、泛化能力與穩定性評估，看這個知識點的題目
- L23304模型調整與優化訓練過程參數調整策略、優化控制與效能提升策略，看這個知識點的題目
L234 機器學習治理
常見陷阱
勘誤：Recall 是 TP/(TP+FN)，學習指引原版寫成 TP/(TP+FP) 是錯的
Precision 是預測為正的裡面真的是正的比例，Recall 是真的為正的裡面被找到的比例
Bagging（隨機森林）平行訓練、降低變異，Boosting（XGBoost、AdaBoost）依序訓練、降低偏差
cross_val_score 回傳每個 fold 的分數，要用 .mean() 才是平均
備考計畫
7 天速成建議
- Day 1：【必讀】Recall 公式勘誤 + Precision/Recall/F1/AUC 全部弄清楚
- Day 2：L231 數學基礎（梯度下降、PCA）
- Day 3–4：L232 算法（Ensemble + 深度學習架構）
- Day 5：scikit-learn Pipeline 程式碼閱讀練習
- Day 6：L233 過擬合 + 超參數調整
- Day 7：全科模擬 50 題
策略：最重要的一點：Recall = TP/(TP+FN)，考題用的是正確版本，程式碼題的重點是看懂 Pipeline 流程（前處理、訓練、評估），不用背 API。