Day 2科目一難度：基礎
Day2 機器學習類型與評估指標
一句話記住這天：
機器學習＝讓電腦從資料中「自己找規律」：監督式像有答案的練習、非監督式像自己分類整理。
學習目標
- 區分監督/非監督/強化學習
- 掌握混淆矩陣四元素
- 熟練計算 Precision/Recall/F1
- 理解過擬合與解法
本日導讀:學什麼、考什麼、容易錯什麼
建議時間40 分鐘（學習 25 分 + 測驗 10 分 + 費曼 5 分）
你會學到
- 區分監督／非監督／強化學習，以及 115 新版新增的半監督、多模態、深度學習
- 掌握混淆矩陣四元素（TP / TN / FP / FN）
- 熟練計算 Precision、Recall、F1，並理解過擬合與解法
考點濃縮
- 監督（有標籤：分類／迴歸）、非監督（無標籤：聚類／降維）、強化（獎勵：AlphaGo、自駕）
- 115.06 版 ML 涵蓋六種類型：監督、非監督、強化、半監督、多模態、深度學習
- 混淆矩陣：FP＝型 I 誤報、FN＝型 II 漏報
- Accuracy、Precision＝TP/(TP+FP)、Recall＝TP/(TP+FN)、F1＝2PR/(P+R)
- 過擬合四解法：L1/L2 正則化、Dropout、Early Stopping、K-Fold 交叉驗證
常見陷阱
- 把「增加隱藏層」當成防過擬合手段，反而更容易過擬合
- 不平衡資料用 Accuracy 判斷，正確要用 F1-Score
- 混淆 Precision 與 Recall 的分母（FP 誤報 vs FN 漏報）
過關檢查
- 給一個場景能立刻判斷屬監督／非監督／強化
- 能手算一組數字的 Precision／Recall／F1
- 能背出四種防過擬合方法
Active Recall：先回憶再學習
你認為機器學習有哪些「學習方式」？它們的差別是什麼？
監督式學習
訓練資料有標籤(Labeled data)。
- 分類：垃圾郵件偵測、圖像辨識
- 迴歸：房價預測、溫度預測
- 常見演算法：線性迴歸、決策樹、SVM、KNN
非監督式學習
訓練資料無標籤，讓模型自己找出模式。
- 聚類：K-Means、DBSCAN（顧客分群）
- 降維：PCA、t-SNE（視覺化）
- 關聯規則：Apriori（購物籃分析）
強化學習
Agent 與環境互動 → 獲得獎勵 → 優化策略。
- AlphaGo、自動駕駛、遊戲AI
- 核心要素：Agent、Environment、Action、Reward
- 不需標註資料
半監督式 / 多模態 / 深度學習（115新範圍）
115.06 版機器學習涵蓋六種類型：
- 半監督式：少量標籤 + 大量未標籤資料
- 多模態(Multimodal)：同時處理文字、圖像、音訊等多種型態（如 GPT-4V、Gemini）
- 深度學習(Deep Learning)：多層神經網路，為 ML 子集
- 其他三類：監督式、非監督式、強化式
混淆矩陣
TP(正確預測正) TN(正確預測負)
FP(型I錯誤：誤報) FN(型II錯誤：漏報)
- Accuracy = (TP+TN)/(TP+TN+FP+FN)
- Precision = TP/(TP+FP) — 預測為正中真正正確的
- Recall = TP/(TP+FN) — 真正的正中模型找出多少
- F1-Score = 2PR/(P+R) — 調和平均，不平衡資料首選
過擬合與解法
Overfitting：模型太複雜，記住了訓練資料的雜訊。
- L1/L2正則化（L1可做特徵選擇）
- Dropout（隨機丟棄神經元）
- Early Stopping（驗證誤差不再下降就停）
- K-Fold Cross-Validation（穩定評估）
課後測驗（4題）
已作答 0 / 4
用自己的話解釋「為什麼不平衡資料不能用 Accuracy？」
進度與錯題只存在這個瀏覽器，不需登入。