IPAS AI 應用規劃師_考題解析

詳細介紹了資料分析中 假設檢定 的完整操作流程與核心觀念，並以新藥能否降低血壓的實際案例進行說明。內容涵蓋 虛無假設與對立假設 的建立、單一樣本 t 檢定 的計算方式，以及 顯著水準 α 與 p 值 的定義與判斷標準。文中特別釐清了常見的考試陷阱，強調 p 值小於 α 時必須拒絕虛無假設，而非直接接受對立假設。

分析中常見的四種連續型機率分佈模型，包含其核心原理、圖形特徵與實際應用場景。內容詳細解析了適用於誤差與標準化的常態分佈、常用於隨機抽樣的均勻分佈、具備無記憶性且描述等待時間的指數分佈，以及應用於統計檢定與變異數分析的卡方分佈。透過情境判斷與對應特徵的整理，協助考生釐清各分佈的考試重點與常見陷阱。

離散型機率分佈核心概念，並涵蓋伯努利分佈、二項分佈與泊松分佈三種重要模型的原理、公式與應用情境。內容強調如何透過情境判斷正確的機率模型，說明各自的平均數與變異數特性，並提及大數據分析中常見的 Python 語法操作。文末更點出考試時容易混淆的陷阱，幫助考生建立從情境判斷、模型選擇、參數解析到公式計算的完整應考邏輯。

梯度提升機（Gradient Boosting）及其延伸的 XGBoost 與 LightGBM 是機器學習中處理表格型資料（Tabular Data）的核心演算法。這些模型採用 Boosting 整合學習策略，透過依序建立簡單的決策樹並利用 Loss Function 的負梯度方向來逐步修正前一個模型的錯誤。其中，XGBoost 著重於加入正則化（Regularization）與子抽樣以防範過擬合，而 LightGBM 則透過直方圖（Histogram）**與 Leaf-wise 樹生長策略大幅提升大型資料集的訓練速度。掌握這些模型的運作原理、超參數設定與特徵，對於應對如 iPAS 等機器學習專業認證及實務資料科學應用至關重要。

集成學習透過結合多個機器學習模型的決策來提升整體預測表現與泛化能力。其三大核心方法包含採用自助聚合與平行訓練以降低變異數的 Bagging、以序列接力方式逐步修正前一個模型錯誤以降低偏差的 Boosting，以及將多個模型的預測結果交由後設模型學習整合的 Stacking。這些技術雖然能有效增強模型的準確度與穩定性，但也伴隨著更高的計算成本以及模型可解釋性降低的挑戰。

內容深入剖析 SHAP、LIME 與 PDP 等主流工具的運作原理，並比較全域與局部解釋方法的差異。同時，文中特別強調模型解釋不等於因果推論的重要陷阱，有助於讀者釐清機器學習在治理、公平性與風險管理上的應用界線。

處理龐大的資料特徵時，透過特徵選擇能夠精簡維度並保留預測關鍵，藉此提升運算效率與模型準確度。這個程序主要分成三種主流策略，其中過濾法具備運算迅速的優勢，但忽略了變數間的相互影響。相較之下，包裝法運用反覆測試來精準評估交互作用，不過伴隨著較高的計算成本與過擬合風險。最後，嵌入法直接在模型訓練階段內建篩選機制，兼顧了效率與準確性但受限於特定演算法。

資料主要在探討降維方法的核心概念，也就是把高維度的特徵空間轉換成低維空間，並同時保留資料中最重要的結構與變異信號。文中列舉了四種常見的技術，包含以最大化變異方向為主、適用於視覺化與加速建模的主成分分析。接著是聚焦於擴大類別差異與縮減類別內變異的線性判別分析，這特別適合處理分類任務。此外，還介紹了能維持鄰近關係但不太適合預測建模的非線性降維方法，如 t-SNE 與 umap。最後則是廣泛應用在推薦系統與文字分析中的奇異值分解，為各種機器學習任務提供強大的數據簡化工具。

機器學習的資料前處理與特徵工程中，類別資料必須透過編碼轉換成模型可處理的數值。針對具備自然順序的資料，可採用標籤編碼或序位編碼來保留其大小關係；而無順序的類別則適合使用獨熱編碼以避免產生虛構的數值大小。面對類別數量龐大的高基數資料時，使用獨熱編碼容易造成維度爆炸，因此通常會改用目標編碼、頻率編碼或雜湊編碼來降低維度。此外，在處理線性模型時常會利用虛擬變數陷阱的概念來刪除多餘欄位，並在編碼器中設定忽略未知類別以防範錯誤。機器學習的資料前處理與特徵工程中，類別資料必須透過編碼轉換成模型可處理的數值。針對具備自然順序的資料，可採用標籤編碼或序位編碼來保留其大小關係；而無順序的類別則適合使用獨熱編碼以避免產生虛構的數值大小。面對類別數量龐大的高基數資料時，使用獨熱編碼容易造成維度爆炸，因此通常會改用目標編碼、頻率編碼或雜湊編碼來降低維度。此外，在處理線性模型時常會利用虛擬變數陷阱的概念來刪除多餘欄位，並在編碼器中設定忽略未知類別以防範錯誤。

特徵值分解與奇異值分解是線性代數中用於拆解矩陣的核心技術，在人工智慧領域中常被作為濃縮高維資料的過濾器。特徵值分解僅能作用於方陣，透過尋找特定向量來找出矩陣的主成分方向與變異量大小。相較之下，奇異值分解則適用於任意形狀的矩陣，能將複雜的線性變換拆解為旋轉與縮放動作，具備極高的穩定性。這兩種方法在機器學習中扮演著資料前處理與特徵萃取的重要角色，能有效解決維度災難、去除雜訊並處理稀疏矩陣。