WaCoding 的沙龍
首頁內容方案關於
WaCoding 的沙龍
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」
不是所有「預測數值」的問題，都適合線性迴歸
什麼時候「線性迴歸開始不夠用」？
1. 關係明顯不是直線(非線性)
2. 不同狀況，行為模式完全不同(時間關係)
3. 因素之間有交互影響(交互作用)
4. 資料分布非常不平均(資料結構)
線性迴歸的核心不是畫線，
而是透過損失函數（Loss Function），
找到一條「讓整體預測誤差最小」的直線。
在考試與實務中，必須清楚理解：
✔ 線性迴歸一定存在誤差，零誤差並非目標
✔ 預測的是合理估計值（Expected Value）…
在各類 AI／資料分析相關考試中（包含 AI-900、AI 應用規劃師），
線性迴歸（Linear Regression）幾乎一定會出現，原因其實很單純：
因為它是「最基本、最容易用來判斷有沒有搞懂『預測』在做什麼」的模型。
監督式學習與非監督式學習，是機器學習中最關鍵的兩種學習方式。
監督式學習以有標註資料為基礎，透過分類與迴歸建立可重複使用的判斷規則，適合用於預測與決策；
非監督式學習則在沒有答案的情況下，協助理解資料結構，例如分群與降維。
唯有先釐清學習方式，後續的模型選擇與評估，才不會從一開始就走偏。
為什麼老闆或主管最愛問「迴歸型問題」？
站在老闆的角度，其實很合理。
因為：
分類可以幫助決策，
分群可以幫助理解結構，
但真正影響經營的，通常是：
1. 預算要抓多少？
2. 庫存要準備多少？
3. 要不要擴店？要不要加人？
這些問題，最後都會落到一個「數字」。
整個系列涵蓋「AI應用規劃師」+「AI-900」二部分，其中「AI應用規劃師」會先以初級為主，未來會繼續延伸內容到中級。課程內，我將考試大綱打散，依 "企業/技術/應用" 分成三大塊，由淺到深逐層介紹。包含🔍觀念 / 🧠技術層面 / ⚖️知識體系。
東西擺在眼前，卻沒人告訴你該怎麼分，這時候該怎麼辦？
有些情況，其實早就有「正確答案」等你套用；
但也有些時候，只能靠自己觀察規律、把相似的東西放在一起。
這篇文章用一個生活化的例子，帶你分清「分類」與「分群」到底差在哪，讓你在做決定時不再用錯方法。
文章深入淺出地解釋了AI領域中的「分類」（Classification）概念，並將其與「分群」（Clustering）、「迴歸」（Regression）以及影像與文字處理任務做出區別。從最基本的分類，到進階的物件檢測、語義分割、實例分割、全景分割，再到文字分類，為讀者提供了一個清晰的AI任務圖譜。
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」
不是所有「預測數值」的問題，都適合線性迴歸
什麼時候「線性迴歸開始不夠用」？
1. 關係明顯不是直線(非線性)
2. 不同狀況，行為模式完全不同(時間關係)
3. 因素之間有交互影響(交互作用)
4. 資料分布非常不平均(資料結構)
線性迴歸的核心不是畫線，
而是透過損失函數（Loss Function），
找到一條「讓整體預測誤差最小」的直線。
在考試與實務中，必須清楚理解：
✔ 線性迴歸一定存在誤差，零誤差並非目標
✔ 預測的是合理估計值（Expected Value）…
在各類 AI／資料分析相關考試中（包含 AI-900、AI 應用規劃師），
線性迴歸（Linear Regression）幾乎一定會出現，原因其實很單純：
因為它是「最基本、最容易用來判斷有沒有搞懂『預測』在做什麼」的模型。
監督式學習與非監督式學習，是機器學習中最關鍵的兩種學習方式。
監督式學習以有標註資料為基礎，透過分類與迴歸建立可重複使用的判斷規則，適合用於預測與決策；
非監督式學習則在沒有答案的情況下，協助理解資料結構，例如分群與降維。
唯有先釐清學習方式，後續的模型選擇與評估，才不會從一開始就走偏。
為什麼老闆或主管最愛問「迴歸型問題」？
站在老闆的角度，其實很合理。
因為：
分類可以幫助決策，
分群可以幫助理解結構，
但真正影響經營的，通常是：
1. 預算要抓多少？
2. 庫存要準備多少？
3. 要不要擴店？要不要加人？
這些問題，最後都會落到一個「數字」。
整個系列涵蓋「AI應用規劃師」+「AI-900」二部分，其中「AI應用規劃師」會先以初級為主，未來會繼續延伸內容到中級。課程內，我將考試大綱打散，依 "企業/技術/應用" 分成三大塊，由淺到深逐層介紹。包含🔍觀念 / 🧠技術層面 / ⚖️知識體系。
東西擺在眼前，卻沒人告訴你該怎麼分，這時候該怎麼辦？
有些情況，其實早就有「正確答案」等你套用；
但也有些時候，只能靠自己觀察規律、把相似的東西放在一起。
這篇文章用一個生活化的例子，帶你分清「分類」與「分群」到底差在哪，讓你在做決定時不再用錯方法。
文章深入淺出地解釋了AI領域中的「分類」（Classification）概念，並將其與「分群」（Clustering）、「迴歸」（Regression）以及影像與文字處理任務做出區別。從最基本的分類，到進階的物件檢測、語義分割、實例分割、全景分割，再到文字分類，為讀者提供了一個清晰的AI任務圖譜。
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」
不是所有「預測數值」的問題，都適合線性迴歸
什麼時候「線性迴歸開始不夠用」？
1. 關係明顯不是直線(非線性)
2. 不同狀況，行為模式完全不同(時間關係)
3. 因素之間有交互影響(交互作用)
4. 資料分布非常不平均(資料結構)
線性迴歸的核心不是畫線，
而是透過損失函數（Loss Function），
找到一條「讓整體預測誤差最小」的直線。
在考試與實務中，必須清楚理解：
✔ 線性迴歸一定存在誤差，零誤差並非目標
✔ 預測的是合理估計值（Expected Value）…
在各類 AI／資料分析相關考試中（包含 AI-900、AI 應用規劃師），
線性迴歸（Linear Regression）幾乎一定會出現，原因其實很單純：
因為它是「最基本、最容易用來判斷有沒有搞懂『預測』在做什麼」的模型。
監督式學習與非監督式學習，是機器學習中最關鍵的兩種學習方式。
監督式學習以有標註資料為基礎，透過分類與迴歸建立可重複使用的判斷規則，適合用於預測與決策；
非監督式學習則在沒有答案的情況下，協助理解資料結構，例如分群與降維。
唯有先釐清學習方式，後續的模型選擇與評估，才不會從一開始就走偏。
為什麼老闆或主管最愛問「迴歸型問題」？
站在老闆的角度，其實很合理。
因為：
分類可以幫助決策，
分群可以幫助理解結構，
但真正影響經營的，通常是：
1. 預算要抓多少？
2. 庫存要準備多少？
3. 要不要擴店？要不要加人？
這些問題，最後都會落到一個「數字」。
整個系列涵蓋「AI應用規劃師」+「AI-900」二部分，其中「AI應用規劃師」會先以初級為主，未來會繼續延伸內容到中級。課程內，我將考試大綱打散，依 "企業/技術/應用" 分成三大塊，由淺到深逐層介紹。包含🔍觀念 / 🧠技術層面 / ⚖️知識體系。
東西擺在眼前，卻沒人告訴你該怎麼分，這時候該怎麼辦？
有些情況，其實早就有「正確答案」等你套用；
但也有些時候，只能靠自己觀察規律、把相似的東西放在一起。
這篇文章用一個生活化的例子，帶你分清「分類」與「分群」到底差在哪，讓你在做決定時不再用錯方法。
文章深入淺出地解釋了AI領域中的「分類」（Classification）概念，並將其與「分群」（Clustering）、「迴歸」（Regression）以及影像與文字處理任務做出區別。從最基本的分類，到進階的物件檢測、語義分割、實例分割、全景分割，再到文字分類，為讀者提供了一個清晰的AI任務圖譜。
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」
不是所有「預測數值」的問題，都適合線性迴歸
什麼時候「線性迴歸開始不夠用」？
1. 關係明顯不是直線(非線性)
2. 不同狀況，行為模式完全不同(時間關係)
3. 因素之間有交互影響(交互作用)
4. 資料分布非常不平均(資料結構)
線性迴歸的核心不是畫線，
而是透過損失函數（Loss Function），
找到一條「讓整體預測誤差最小」的直線。
在考試與實務中，必須清楚理解：
✔ 線性迴歸一定存在誤差，零誤差並非目標
✔ 預測的是合理估計值（Expected Value）…
在各類 AI／資料分析相關考試中（包含 AI-900、AI 應用規劃師），
線性迴歸（Linear Regression）幾乎一定會出現，原因其實很單純：
因為它是「最基本、最容易用來判斷有沒有搞懂『預測』在做什麼」的模型。
監督式學習與非監督式學習，是機器學習中最關鍵的兩種學習方式。
監督式學習以有標註資料為基礎，透過分類與迴歸建立可重複使用的判斷規則，適合用於預測與決策；
非監督式學習則在沒有答案的情況下，協助理解資料結構，例如分群與降維。
唯有先釐清學習方式，後續的模型選擇與評估，才不會從一開始就走偏。
為什麼老闆或主管最愛問「迴歸型問題」？
站在老闆的角度，其實很合理。
因為：
分類可以幫助決策，
分群可以幫助理解結構，
但真正影響經營的，通常是：
1. 預算要抓多少？
2. 庫存要準備多少？
3. 要不要擴店？要不要加人？
這些問題，最後都會落到一個「數字」。
整個系列涵蓋「AI應用規劃師」+「AI-900」二部分，其中「AI應用規劃師」會先以初級為主，未來會繼續延伸內容到中級。課程內，我將考試大綱打散，依 "企業/技術/應用" 分成三大塊，由淺到深逐層介紹。包含🔍觀念 / 🧠技術層面 / ⚖️知識體系。
東西擺在眼前，卻沒人告訴你該怎麼分，這時候該怎麼辦？
有些情況，其實早就有「正確答案」等你套用；
但也有些時候，只能靠自己觀察規律、把相似的東西放在一起。
這篇文章用一個生活化的例子，帶你分清「分類」與「分群」到底差在哪，讓你在做決定時不再用錯方法。
文章深入淺出地解釋了AI領域中的「分類」（Classification）概念，並將其與「分群」（Clustering）、「迴歸」（Regression）以及影像與文字處理任務做出區別。從最基本的分類，到進階的物件檢測、語義分割、實例分割、全景分割，再到文字分類，為讀者提供了一個清晰的AI任務圖譜。
