機器學習技術與應用
中級擇一科目，50 題，90 分鐘，及格 70 分
🚨 官方勘誤（L23 最重要！必讀）
主題：Recall 公式
Recall = TP / (TP + FP) Recall = TP / (TP + FN) 影響：直接影響模型評估考題答案，是 L23 最重要勘誤
主題：加權求和通式
w₁x₁ + w₂x₂ Σ wᵢxᵢ（通式，i = 1 to n） 影響：神經網路節點計算題的正確寫法
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（16-20%）
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 年新增考點警報
- ▸ scikit-learn Pipeline 程式碼閱讀（make_pipeline、fit_transform）
- ▸ Keras/TensorFlow Sequential model 結構
- ▸ SHAP 值（模型可解釋性，特徵貢獻度量化）
- ▸ Optuna / GridSearchCV 超參數調整
約 16-20% 程式碼閱讀題；Recall 公式勘誤是超高頻考點，官方學習指引原版有誤
知識點地圖（依評鑑範圍）
L231 機器學習基礎數學（預估 8-10 題）
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（預估 18-22 題，最多！）
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（預估 15-18 題）
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
常見陷阱
【勘誤！】Recall 公式：官方學習指引原版寫 TP/(TP+FP) 是錯誤的，正確為 TP/(TP+FN)
Precision vs Recall 定義：Precision = 預測為正中有多少真正是正；Recall = 真正為正中有多少被找到
Bagging vs Boosting：Bagging（隨機森林）降低 Variance 並行；Boosting（XGBoost/AdaBoost）降低 Bias 序列
cross_val_score 回傳值：每個 fold 的分數陣列，不是 mean；要用 .mean() 取平均
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】Recall = TP/(TP+FN)，官方原版錯了，考題用正確版。程式碼題重點是理解 Pipeline 流程（資料前處理 → 訓練 → 評估），不需背 API