Machine Learning

本區整理機器學習、深度學習、特徵工程、模型評估與實驗設計。內容偏向觀念釐清、可重複的作法，以及容易被誤用的地方。

共 8 篇，分成四軌：觀念地基（懂原理）、動手實作（做得出來）、綜合應用（把兩者接起來）、統計與實驗（判斷差異是不是真的）。ML 不像產業研究是單一流程，強行排成一條線反而失真，因此依「你現在想做什麼」分軌。

閱讀地圖

#	頁面	回答什麼問題	內容型態
1	ML 面試核心觀念	這個觀念是什麼？怎麼用一段話講清楚？	主題式速查
2	Géron《Hands-On ML》Ch1–9	這本書在講什麼？各章的脈絡如何串起來？	教科書筆記
3	深度學習訓練基礎	神經網路怎麼訓練？各個零件在做什麼？	主題式速查
4	特徵工程心法	資料進模型前該怎麼處理？	實務心法
5	sklearn Pipeline 與前處理模板	程式碼骨架長什麼樣？	可複製模板
6	模型評估與 Cross-Validation	怎麼知道模型真的有效？	方法＋模板
7	常見 ML Case Study	拿到一個真實任務，第一步做什麼？	端到端範例
8	統計推論與 A/B 測試	這個差異是真的嗎？該不該上線？	方法＋實驗設計

依目標分流

• 想快速建立觀念全貌 → 1 → 3，需要更完整的推導與脈絡再進 2。
• 要做完一個專案 → 4 → 5 → 6 → 7，遇到觀念卡住再回 1。
• 要驗證一個產品改動有沒有效 → 8 單獨成立，不需要先讀 1–7。
• 要把書讀完 → 2 走章節，各章的主題深入處會指向 1、6 的對應小節。

主題歸屬（避免多頁分歧）

同一主題只在一頁寫完整版，其他頁指過去：

主題	完整版在	其他頁的處理
Bias-Variance、正則化、樹模型家族	1 · ML 面試核心觀念	2 · Géron 保留書中獨有的推導與參數陷阱，比較表指回
評估指標、CV 策略、Nested CV	6 · 模型評估與 CV	1 保留速查表（較淺的密度），2 保留 threshold／PR vs ROC
前處理與特徵設計	4 · 特徵工程心法	5 提供對應的 Pipeline 程式碼
Pipeline 與 leakage 防護	5 · sklearn Pipeline 模板	2 的 Ch2 保留端到端流程脈絡
假設檢定、樣本數、實驗設計	8 · 統計推論與 A/B 測試	6 談的是模型評估的推論，不涉隨機分派

Learning Paths

上面的地圖可以直接點選前往。這份清單保留完整內容——它同時是站內搜尋的索引來源，也是 JavaScript 未載入時的備援，因此不隨地圖移除。

展開完整清單（含一句話導讀）

觀念地基

• 1 · ML 面試核心觀念
  八個核心主題的觀念與最小程式碼範例：ML 類型、bias-variance、梯度下降、線性/邏輯回歸、正則化、樹模型家族、CV、評估指標。
• 2 · Géron《Hands-On ML》Ch1–9 重點整理
  照書走章節：ML 全景、端到端專案、分類與 threshold、訓練原理、SVM、決策樹、集成、降維、分群。書中獨有的推導與細節在這裡。
• 3 · 深度學習訓練基礎
  神經網路的訓練迴路：激活函數、損失、優化器、反向傳播、Dropout/BatchNorm、CNN 入門。

動手實作

• 4 · 特徵工程心法
  數值/類別/缺失值/時間特徵的處理、特徵交互與選擇、imbalanced 手法，以及 target encoding 的 leakage 防法。
• 5 · sklearn Pipeline 與資料前處理模板
  ColumnTransformer、自訂 Transformer、GridSearchCV 整合到儲存部署的完整可複製模板。
• 6 · 模型評估與 Cross-Validation 實務
  指標選擇、CV 策略（Stratified / Group / TimeSeriesSplit）、Nested CV，以及不漏水的評估流程與常見陷阱。

綜合應用

• 7 · 常見 ML Case Study：分類、回歸、時間序列與推薦
  四種任務類型的端到端解題思路、典型陷阱與程式碼骨架，以及跨任務的通用決策框架。

統計與實驗

• 8 · 統計推論與 A/B 測試
  假設檢定的最小框架、樣本數與 MDE 計算、A/B 測試完整流程，以及七個會讓結論失效的實務謬誤（peeking、SRM、多重比較、辛普森悖論等）。數字皆可複現，獨立於 1–7，可單獨閱讀。