服務需求資料（乾淨版）
一份服務需求預測資料：case_id、created_at、features_*、target_numeric、target_binary、group_attribute、split_time。用於 Guided Lab。
DS 201 實作中心
使用合成的服務需求預測資料，練習預測問題框架、leakage 抓漏、baseline 挑戰、指標選擇、threshold 取捨與錯誤切片檢視。
資訊
DS 201 實作資料為合成教學資料，所有服務據點、案例與數值皆為示例，不代表任何真實對象或機構。
注意
請只使用課程提供的合成檔案進行練習。除非獲得授權，切勿將機密的機構或公司資料、個人資料或敏感資料貼入 AI 工具；使用真實營運資料前，請先確認所屬機構的規範。
下載實作檔案
服務需求資料（實作版，含挑戰）
相同欄位結構，但刻意設計了判斷挑戰：一個看似有用但其實是 leakage 的欄位、一個容易被誤用的 baseline 情境，以及一個特定子群誤差明顯偏高的模式。用於實作中心與 Independent Lab。
資料字典（繁體中文）
服務需求資料檔案的欄位型態、單位、粒度、允許值與來源說明（繁體中文）。
Data dictionary (English)
英文版資料字典，欄位與單位與中文版一致。
Guided Lab 起始 Notebook
附有指引與待完成項目的起始 Notebook，可從全新 kernel 由上而下執行，產出 baseline 與第一個模型的比較。
Independent Lab 起始 Notebook
用於 Predictive Analytics Use Case + Model Card 的起始 Notebook 與檢核清單範本。
實作任務
實作 A：Prediction Framing Canvas
針對實作資料，寫下一個明確的預測問題：預測單位、target、決策，以及 prediction time 當下可用的欄位。
使用檔案: 服務需求資料（實作版，含挑戰）、資料字典（繁體中文）
步驟
- 選定 target_numeric 或 target_binary 其中一個作為預測目標，並說明對應的業務決策。
- 列出所有 features_* 欄位，逐一標註它們是否在 split_time 之前就已存在。
- 寫下這個預測單位（case_id）具體代表什麼：哪個服務據點、哪個時間範圍。
- 用一句話說明：如果這個預測錯了，會造成什麼後果？
要完成的產出
- 一份填寫完整的 Prediction Framing Canvas
- features 是否可用於 prediction time 的逐項標註
- 一句話的錯誤後果說明
實作 B：Leakage Hunt
實作資料中有一個欄位看起來很有預測力，但其實是 target leakage。請找出它，並說明為什麼不能使用。
使用檔案: 服務需求資料（實作版，含挑戰）、資料字典（繁體中文）
步驟
- 檢查每個 features_* 欄位的資料字典說明，找出「產生時間」晚於 split_time 的欄位。
- 用相關係數或簡單模型，確認這個欄位的預測力是否高到不合理。
- 寫下這個欄位為什麼構成 leakage，以及移除後模型表現預期會如何變化。
- 提出至少一個判斷「這個欄位能不能用」的檢查清單項目，可用於未來其他專案。
要完成的產出
- 被找出的 leakage 欄位與判斷依據
- 移除前後模型表現的比較
- 一份可重複使用的 leakage 檢查清單
實作 C：Baseline Challenge
為實作資料的兩個 target（target_numeric 與 target_binary）各建立至少一個 baseline，並說明選擇理由。
使用檔案: 服務需求資料（實作版，含挑戰）、資料字典（繁體中文）
步驟
- 為 target_numeric 建立 mean baseline，計算其 MAE。
- 為 target_binary 建立 majority-class baseline，計算其 accuracy。
- 嘗試至少一個規則型 baseline（例如依 group_attribute 分組後取各組平均），比較它與 mean baseline 的差異。
- 寫一段說明：一個新模型至少要達到什麼表現，才算是「值得使用」？
要完成的產出
- 兩個 target 各自的 baseline 表現
- 規則型 baseline 與 mean baseline 的比較
- 「值得使用」門檻的書面說明
實作 D：Metric Selection
針對一個分類情境，說明你會優先看 precision 還是 recall，並用資料證明你的選擇是合理的。
使用檔案: 服務需求資料（實作版，含挑戰）、資料字典（繁體中文）
步驟
- 選定一個業務情境（例如：漏抓一個真的會超過容量的據點，代價遠高於誤報）。
- 計算這個情境下，不同 threshold 對 precision 與 recall 的影響。
- 說明為什麼這個情境應該優先重視 recall 或 precision 其中一個。
- 寫下如果選錯了優先指標，最壞情況會造成什麼後果。
要完成的產出
- 不同 threshold 下的 precision/recall 表
- 指標選擇的理由說明
- 選錯指標的最壞情況分析
實作 E：Threshold Trade-off
畫出至少三個 threshold 下的 confusion matrix，說明 threshold 改變如何影響誤報與漏抓的數量。
使用檔案: 服務需求資料（實作版，含挑戰）、資料字典（繁體中文）
步驟
- 在至少三個 threshold（例如 0.3、0.5、0.7）下，各自計算 confusion matrix。
- 整理成一張表，比較不同 threshold 下的 False Positive 與 False Negative 數量。
- 根據 Metric Selection 任務中定義的業務情境，推薦一個 threshold，並說明理由。
- 寫下這個推薦的 threshold 在什麼情況下應該重新檢視（例如資料分布改變時）。
要完成的產出
- 至少三個 threshold 的 confusion matrix
- 推薦 threshold 與理由
- 重新檢視 threshold 的觸發條件
實作 F：Error Slice Review
依 group_attribute 或案件量區間，檢查模型誤差是否集中在特定子群，並提出部署前需要進一步調查的問題。
使用檔案: 服務需求資料（實作版，含挑戰）、資料字典（繁體中文）
步驟
- 訓練一個簡單模型，計算 validation 上每筆案例的誤差。
- 依 group_attribute 分組，比較各組的平均誤差是否一致。
- 找出誤差最大的子群或情境，並寫下至少一個可能的原因假設。
- 列出這個發現對部署判斷（成本、監測、人工 fallback）的具體影響。
要完成的產出
- 依子群拆解的誤差表
- 誤差最大子群的原因假設
- 對部署判斷的具體建議
完成標記只記錄在這個瀏覽器（加入梯次後會同步）。實作成果請保存在你自己的檔案或 Notebook。