預測分析與機器學習基礎

課程主軸：從預測問題走到部署判斷

整門課沿著同一條線走：Frame、Baseline、Split、Train、Evaluate、Error Analysis、Deployment Decision。AI 可以協助撰寫程式，人負責驗證與最終判斷。

1. 1. Frame

   預測單位、target 與決策是什麼？

2. 2. Baseline

   不用機器學習能做到多好？

3. 3. Split

   train/validation/test 是否正確切分、沒有 leakage？

4. 4. Train

   模型是否在合理的複雜度下訓練，沒有 overfitting？

5. 5. Evaluate

   模型是否明顯打敗 baseline？用哪個指標判斷？

6. 6. Error Analysis

   誤差是否集中在特定子群或情境？

7. 7. Deployment Decision

   這個結果值得部署嗎？成本、風險與監測是否到位？

課程內容

1. Module 1建立預測問題與第一個模型從 target、features 與 prediction time 出發，學會 baseline、train/validation/test 與 leakage，並在 Guided Lab 建立第一個可驗證的預測模型。尚未開始0 / 5 · 約 210 分鐘
2. Module 2評估、解釋與部署判斷學會 classification 與 threshold、cross-validation 與調參、feature importance 與 fairness，再到 error analysis、drift 與部署判斷，並完成 Independent Lab Use Case。尚未開始0 / 5 · 約 210 分鐘

進度儲存在這個瀏覽器，不會記錄你的身分；只有在下方加入進度同步時才會上傳。

另存 PDF

實作與評量

• 實作 A：Prediction Framing Canvas定義預測單位、target、決策與 prediction time 可用欄位。尚未完成
• 實作 B：Leakage Hunt找出資料中偽裝成 feature 的 target leakage 欄位。尚未完成
• 實作 C：Baseline Challenge為回歸與分類 target 各建立一個 baseline 並說明理由。尚未完成
• 實作 D：Metric Selection依業務情境判斷應優先重視 precision 還是 recall。尚未完成
• 實作 E：Threshold Trade-off比較不同 threshold 下的誤報與漏抓取捨。尚未完成
• 實作 F：Error Slice Review依子群檢查模型誤差是否集中，並提出部署前的調查問題。尚未完成
• DS 201 前測與後測以前測與後測檢查 target、baseline、split 與 leakage、迴歸與分類指標、threshold 與 CV、importance 與部署判斷上的判斷力改變。尚未完成
• Predictive Analytics Use Case + Model Card把所學轉成自己的 Predictive Analytics Use Case + Model Card，說清楚問題、資料、方法、驗證方式與部署判斷。尚未完成

關於這門課

完課證書

完成後可取得完課證書（L1）；另可透過額外的實作審查取得能力證書（L2）。

達成條件

• 完成全部 2 個課程模組
• 後測評量達 80% 以上
• 提交實作成果並經審查通過

課後回饋

約 2 到 3 分鐘，回饋會用來改進課程。

前往填寫回饋