中級擇一科目

L23 機器學習技術與應用

iPAS AI 應用規劃師 中級科目三完整學習路線。包含官方勘誤（Recall 公式）、Python scikit-learn 程式碼閱讀、模型評估指標、Ensemble 方法等考點。

科目代碼
L23（中級擇一）
題數
50 題（約 25% 程式題）
考試時間
90 分鐘
及格門檻
70 分
勘誤狀態
Recall 公式須以官方勘誤為準
L23 含 Python 程式題 約 25% 勘誤超重要 擇一報考

官方勘誤 L23 最重要必讀

主題：Recall（召回率）公式

官方錯誤版本 Recall = TP / (TP + FP)
正確版本（考試用此版） 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（神經元計算）

官方錯誤版本 Z = w₁x₁ + w₂x₂ + … + wₙxₙ + b = Σ w₁x₁ + b（下標全為 1）
正確版本（考試用此版） Z = w₁x₁ + w₂x₂ + … + wₙxₙ + b = Σ wᵢxᵢ + b（下標為 i）

影響：公式下標錯誤，正確通式是 wᵢxᵢ，感知器章節同一錯誤（p.4-55, 4-56）

主題：邏輯迴歸模型假設術語

官方錯誤版本 線性可分性（Linearity in Log-Odds）
正確版本（考試用此版） 對數勝算的線性關係（Linearity in Log-Odds）

影響：術語翻譯不準確，考邏輯迴歸假設時影響選項判斷

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（約 25%）

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 年新考點

  • 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 25% 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

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)

陷阱

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

陷阱

Bagging vs Boosting：Bagging（隨機森林）降低 Variance 並行；Boosting（XGBoost/AdaBoost）降低 Bias 序列

陷阱

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

  1. Day 1：【必讀】Recall 公式勘誤 + Precision/Recall/F1/AUC 全部弄清楚
  2. Day 2：L231 數學基礎（梯度下降、PCA）
  3. Day 3–4：L232 算法（Ensemble + 深度學習架構）
  4. Day 5：scikit-learn Pipeline 程式碼閱讀練習
  5. Day 6：L233 過擬合 + 超參數調整
  6. 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