解析：
該場景具有已標記的「異常」和「正常」標籤資料，目標是根據歷史資料預測新交易的類別。這是典型的監督式學習分類問題，使用有標籤的訓練資料來建立分類模型。
你有沒有看過電腦不用人手寫規則，卻自己學會判斷？ 你可以把機器學習想成，先給電腦大量資料，再讓它自己抓規律。 它其實就是讓模型從資料中學出預測或分類的方法。 當規則很難手動寫完整時，機器學習通常就很有價值。
你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。
容易混淆
機器學習 vs 深度學習 深度學習是機器學習的一部分，通常靠多層神經網路學特徵。 一個是大傘，一個是子集合。
機器學習 vs 傳統程式設計 傳統程式設計是人先寫規則，機器學習是人先給資料。 一個靠規則，一個靠經驗。
最關鍵的區別： 先寫規則，還是先餵資料。
記住這句就好
資料夠好，模型才學得像樣。
實際案例
信用評分 銀行用歷史資料學出違約風險，讓審核更快也更一致。
商品推薦 電商看使用者點擊和購買紀錄，學出下一個可能想看的商品。
算法與應用
典型流程是資料收集、清理、特徵處理、模型訓練、評估和上線。 機器學習不是單一演算法，而是一整套從資料到決策的方法群。 資料品質、特徵設計和評估方式，常常比模型名字更重要。
情境判斷
Q1（直覺題）： 當規則很難手寫完，該考慮哪一類方法？
機器學習，因為它能從資料裡自己找規律。
Q2（判斷題）： 機器學習一定比手寫規則好嗎？
不一定，簡單明確的問題，傳統規則反而可能更快更穩。
iPAS 考題
Q：機器學習和深度學習的關係是什麼？ 深度學習是機器學習的子集，兩者是包含關係。
Q：什麼情況適合使用機器學習？ 當資料很多、規則難以手寫，或問題需要從經驗中學習時很適合。
常見問題
機器學習一定要很多資料嗎？
通常資料越多越好，但也要看問題難度和資料品質。
機器學習是不是什麼都能做？
不是，它很依賴資料和目標，資料差時效果也會差。
學機器學習最先該懂什麼？
先懂資料、特徵、模型和評估的關係，再去看各種演算法。
範例考題
某商業銀行想建立洗錢行為檢測系統，擁有過去 5 年的交易記錄，其中包含已確認的洗錢案例（標記為「異常」）和正常交易（標記為「正常」）。銀行希望系統能自動識別新交易是否為洗錢行為，請問使用下列哪一種機器學習方法最為適合？
- A. 監督式學習的分類問題 ✓ 正確答案
- B. 非監督式學習的分群問題
- C. 強化式學習
- D. 非監督式學習的關聯規則挖掘
SHAP（SHapley Additive exPlanations）值常用於分析機器學習模型的輸出行為。下列何者最符合 SHAP 值所提供的資訊？
- A. 模型在訓練過程中，各特徵對損失函數收斂速度的影響程度
- B. 依據特徵對模型整體準確率的影響，自動篩除低重要性變數
- C. 在單一預測結果中，各輸入特徵對最終輸出所產生的貢獻分配 ✓ 正確答案
- D. 透過調整特徵權重，使模型在推論階段降低計算複雜度
解析：
SHAP 值基於 Shapley 值的概念，計算每個輸入特徵對單一預測結果的貢獻程度。它能公平地分配各特徵對模型輸出的影響，提供個別預測的可解釋性。