王一書
1 位追蹤者
王一書
1 位追蹤者
資深資訊講師，專注 Java、AI-900、AI 應用規劃師 等技術與 AI 認證教學。
文章內容會以 AI 與程式相關概念拆解為主，協助學習者建立理解導向的學習脈絡。
這是一個關於「理解」與「實作」的學習沙龍。
我會分享程式與 AI 認證的學習脈絡，拆解考點背後的邏輯，
幫助學習者在快速變動的科技環境中，建立真正可用的能力。
這個沙龍適合：
・正在準備程式或 AI 相關認證的人
・剛開始學程式，卻覺得觀念零散的人
・轉職中，希望打好基礎、不想只追流行名詞的人
全部內容
由新到舊
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。
付費限定
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。
付費限定
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。
付費限定
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。
付費限定
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」
付費限定
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)
付費限定
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）…
