💻 中級程式題深度解析
// iPAS 中級科目二、三的程式題，一行一行拆到完全懂Pipeline × 交叉驗證
StandardScaler → PCA → LogisticRegression 串成一條 Pipeline 再交叉驗證，第 1 行走到第 17 行一行都不跳。可切「零程式基礎／有程式底子」兩種模式，57 個名詞點開就有三層漸進式說明。附真實資料集檢視器、5 折切分檢視器與 6 個互動實驗室，分數全是實跑出來的。
NEW混淆矩陣 × Recall
給一個 2×2 的 confusion_matrix 求正類的 Recall。這題最狠的地方是四個選項全都是真實存在的指標——0.82 是 Precision、0.95 是 NPV、0.10 是 FPR，只有 0.90 才是 Recall。逐行拆解 cm.ravel() 與分母該怎麼選，附混淆矩陣計算機、判定門檻連動實驗室與類別不平衡陷阱示範。
NEWaccuracy 0.99 的陷阱
正類只佔 1% 的詐欺資料，全預測負類的基準模型 accuracy 就有 0.99——但它一筆詐欺都沒抓到。逐行拆解那五行程式，再把 PR-AUC vs ROC-AUC、class_weight、重抽樣與依成本調門檻四種後續方案講清楚，順便揭穿「把驗證集正類複製到訓練集」為什麼是雙重洩漏。四個互動實驗室，數字全是實跑出來的。
NEWGridSearchCV × fit 次數
param_grid 開出 3 × 4 × 2 個組合、cv=5、refit=False——到底 fit 了幾次？兩個乘法一步一步拆：組合數怎麼連乘、折數怎麼再乘上去、refit 什麼時候要加一。附組合檢視器、五折之旅動畫、refit 開關與搜尋成本計算機四個互動實驗室，實跑彩蛋：24 個組合其實只有 12 種模型。
NEWfeature_importances_ 怎麼讀
重要性最高的特徵是「原因」嗎？0 分就是永遠沒用？它是相關係數嗎？三大誤讀全部用實跑反例拆掉：冰淇淋因果模擬（重要性 0.609、介入後真實 y 不變）、常數欄位恰好 0 分、分身攤分實驗。順便把 zip、dict、sorted、lambda 那兩行連環呼叫一次講懂。
NEWtrain 1.00、val 0.72 怎麼救
訓練滿分、驗證掉三成——四個選項全部實跑對照：只加樹 val 卡在平台、用 training accuracy 選參遇到 12 組滿分並列、一路加深反而更糟；用 CV 限制 max_depth 與 min_samples_leaf 才讓 val 從 0.722 升到 0.767、單棵樹從 9.3 層剪到 5 層。附複雜度曲線與選參陷阱實驗室。
NEW分群前為什麼要 StandardScaler
Wine 的 proline 一欄獨佔 99.77% 的變異——未縮放時兩瓶酒的距離 99% 由它決定，K-means 淪為「只看一欄」（ARI 0.371，跟只用 proline 分群完全等價）；標準化後升到 0.897。附距離解剖器、178 點分群對照散點與 DBSCAN eps 之旅，順便講清楚群號為什麼不是標籤。
NEWDBSCAN 的 -1 代表什麼
群號從 0 開始編，-1 是沒被任何密度群集收編的雜訊點。本站大海撈針，一字不差重現題目輸出 [ 0 0 -1 1 1 -1 0 1]——那兩個 -1 的圈內只有 3 點（含自己）。附核心／邊界／噪點判定器、月牙三視圖（DBSCAN ARI 0.955 vs K-means 0.479）、參數掃描（同一份資料噪點 0→300 筆）與 silhouette 陷阱。
NEWLSTM 的輸入 shape 怎麼讀
(32, 24, 5)＝(幾筆, 幾步, 幾個特徵)。TensorFlow 實跑四個選項的下場：C、D 當場報錯，B (24, 32, 5) 竟然不報錯——默默回 24 個預測。附軸拆解器、滑動視窗工廠（100 步切出 77 筆）、參數點算（1,408 = 4×(80+256+16)）與 return_sequences 對照。
NEW時間序列驗證為什麼不能 shuffle
上線是拿過去預測未來，驗證就得照演——過去訓練、未來驗證、不可洗牌。實跑對照最震撼：同一個隨機森林，隨機 K-fold 打 0.980、TimeSeriesSplit 揭穿它 -1.828（上線預演 -0.949 站在誠實這邊）。附摺疊檢視器（expanding／rolling／gap）、洩漏顯微鏡（未來混入訓練 94%～100%）與內插外推散點。
NEW三類互斥怎麼配輸出層與 loss
幾類幾座位＋softmax；整數配 sparse、one-hot 配 categorical。四個選項全部下水實跑：正解 0.970；sigmoid＋BCE 硬吃三類竟然跑得動——但損失一路鑽到 -17.75（交叉熵不可能是負的，這是配方壞掉的警報）。附 softmax 手算機與三份任務配方總表。
NEWPyTorch 訓練迴圈的正確順序
歸零、前向、損失、反向、剪梯、更新——剪刀夾在梯度誕生與使用之間。三個錯序全部實跑：剪在反向前＝剪空氣（clip 回傳 0.0）、剪在更新後＝馬後炮（40 倍超速）、反向後歸零＝冷凍庫（20 epoch 權重一動不動）。附梯度累積器（1×2×3× 親手按）與爆梯度救命現場。
NEWmacro 與 weighted F1 差在哪
同一份預測、兩個 F1：macro 0.6465 誠實、weighted 0.9298 被 95% 的多數類拉高。拆段 30 秒填混淆矩陣、看破「0.2857 是 precision 不是 recall」的分母陷阱，再用門檻滑桿實跑：0.5 降到 0.05，recall 0.271→0.797、誤報 3→218 筆——多抓也多冤。
NEWPipeline 的 fit 與 predict 誰學誰用
三站生產線：補洞、縮放、模型。fit 依序在訓練資料「學」、predict 只「用」不再學——實跑對質：predict 前後四組參數 np.array_equal 全 True，X_test 的洞填訓練學到的 -0.12、不是自己的 -0.21。再實跑「重新 fit」的世界：單筆全零特徵人人同分 0.4965、含 NaN 單筆直接報錯。
NEW標準化怎麼寫才不洩漏
四段 scaler 程式只有一段乾淨：fit_transform 給訓練、transform 給測試——尺在訓練集刻一次。實跑：無漂移四方同分 0.7767 看不出誰作弊；漂移 +2.5 一來，誠實的 B 掉到 0.5、兩把尺的 C 假報 0.7767；合併刻尺的 A 更陰——換一批測試集，模型係數跟著翻號。
NEWmelt 加 barplot 畫出什麼
寬表融成長表、月份×通路分組加總——六根條與 groupby sum 實跑一字不差（ax.patches 逐根對帳）。合計視角 1230/1220/1230 看似平穩，分通路才見 web 翻 1.73 倍、store 掉 42% 的大翻轉；再埋一刀版本考點：ci=None 已死，0.12 起請寫 errorbar=None。
NEWquery 篩選加 inner merge 留下誰
9 筆訂單闖兩道關卡：金額 >= 1000 刷掉兩筆（999 差一元出局、1000 整整好過關）、inner 對名單再刷三筆——5000 元大單死於 inactive、3000 元死於查無此人。4 筆存活帶上 region；再實跑 left 的 NaN、C 的空集合、D 的 anti-join 與一對多翻倍陷阱。
NEW總銷售額前三名怎麼抓
四段程式全實跑對質：A 的 head 撈到名冊前三、B 撈到最低三筆單、C 的 tail 撈到墊底兩名——只有先 groupby 加總、再 nlargest 才是名次（手機 110000／筆電 105000／平板 60000）。加映單筆冠軍陷阱：手錶一張 48000 巨單稱王單筆榜，品類總額其實只排第四。
NEWSpark 的近似分位數與分散式聚合
approxQuantile 的 0.01 是名次誤差不是金額——實跑：近似 399 元 vs 精確 404 元、差 5 元（0.1 檔差 86 元）。top10 四站全在 Spark 端 lazy 執行、與 pandas nlargest 跨引擎一字不差；反面實跑全表 collect：10 萬列 vs 10 列——差一萬倍。
NEWfillna 補中位數與可空整數 Int64
一個 None 讓整數欄默默升格 float64（實跑 [2022.0, nan, 2024.0]）；median 跳洞內插出 2023.0 補回；astype('Int64') 收尾。加映：小寫 i 見 NaN 直接 IntCastingNaNError——報錯訊息還親自推薦 'Int64'；大 I 不補洞也能裝 <NA>。
NEWchunksize 串流平均：塞不進記憶體怎麼辦
一次一疊、只記兩個數字：串流累加與全載一字不差（784.866 元）、記憶體 5.4 vs 35.5 MB。「疊平均再平均」實跑高估 18.86 元——大疊小疊要加權（第 13 頁老戲）；list()+concat 假串流峰值比全載還高。tracemalloc 四選項全實測。
NEWrolling 與 shift：特徵不能偷未來
7 日移動平均＋前一日銷售量的正解是 rolling(7)＋shift(1)。shift(-1) 的作弊模型實跑 R²=1.0、係數 [−0.0, 1.0]——抄答案；部署日最後一列 NaN 當場穿幫。全期 mean 混未來、cumsum 走鐘 32.8 倍——四選項全實跑驗屍。
NEWWelch t 檢定判決書：p 直接比 α，不砍半
逆向工程重現 p=0.021 一字不差：0.021 ＜ 0.05 拒絕 H0、equal_var=False＝Welch（df 76.7 帶小數）。ttest_rel 硬上直接 ValueError；排列檢定 10,000 次演出 p 的本義；病態案例 0.0087 vs 0.4106——保險絲的價值。
NEW相關熱力圖：先算再畫、負一到一
先 corr 再 heatmap：實跑氣溫↔冰飲 +0.8956、手算一字不差。vmin=0 讓 12 格負相關集體隱形（−0.87 與 0 同色）；餵原始 df 當場 ValueError；冰飲↔熱飲 −0.79 的假相關——偏相關 +0.03 拆穿第三變數。
NEWchunksize：水龍頭不是水庫
reader 是 TextFileReader 不是 DataFrame：一次一塊、邊讀邊加——實跑全載 1,304.8 MB vs 串流峰值 41.1 MB、region 欄 category 縮 93 倍；單機串流不是 Spark、字典編碼值不變。
🧮 iPAS 數學四部曲
// 只教會考的，每頁三個互動實驗室＋共用符號表
矩陣乘法的第一堂課
跟著貓老師 Mochi 看懂矩陣怎麼相乘、怎麼改變圖形，以及順序為什麼不能亂換；再從圖片濾鏡一路連到 Transformer 與 ChatGPT 背後的矩陣運算。
NEW線性代數速成
先把矩陣乘法一格一格算給你看，再玩維度接龍、向量羅盤與 PCA 主軸儀。不教數學系那套，只教 iPAS 真的會考的六件事：維度、NumPy 函式、餘弦相似度、特徵值、SVD、範數。
NEW機率速成
點骰子自己組事件，親手驗證「互斥不等於獨立」；再用常態面積尺看 PDF 與 CDF 怎麼連動、二項分布什麼時候才能拿常態來近似。條件機率的分母到底是誰，一次搞定。
NEW統計檢定選型
t 檢定？ANOVA？卡方還是雙比例 Z？三步決策樹幫你選對，每個結果都附歷屆真題。另有 Z 檢定判決台（拒絕域、p 值、信賴區間一致性）與 Pearson／Spearman／Kendall 抗打擊實驗。
NEW數值最佳化
「訓練不收斂」到底是哪一種病？梯度消失放大鏡把看不見的梯度畫成長條圖，一眼看懂 Sigmoid 為何害人、ResNet 為何有效、He 初始化差在哪個 √2。還有 Batch／Epoch 換算器與超參數搜尋競技場。
NEW數學符號解碼器
「一堆奇怪符號搞得我很亂」——這不是你的問題。Σ 其實是希臘文的 S、∫ 是被拉長的 S、∂ 是圓體的 d。50 個符號的念法、意思、發明者與年代，可搜尋；查不到出處的（像學習率 η）也誠實標示，不編故事。
🐍 Python 與工具
// 從環境設定到 OOP 與記憶體視覺化Python 起步站
寫第一行程式之前的環境準備。用「環境選擇器」30 秒找到你的起點，搞懂 Colab、Jupyter、本機安裝三種執行方式，還有 VS Code 與 pip／venv。最快的路，其實完全不用安裝。
NEWPython 入門實驗室
從第一行 print() 到寫出自己的類別，共 16 個單元。每個單元都有範例、正反案例對照，還有動手玩的互動小遊戲，分兩種難度循序前進。
NEW什麼是 IDE？什麼是 AI IDE？
用「廚房與副主廚」的比喻，讓完全沒寫過程式的人 10 分鐘看懂 IDE 是什麼、AI IDE 又強在哪，以及該從哪一套工具開始。
NEWAPI 是什麼？
給完全新手的白話指南。不用先會寫程式，也能搞懂 API 到底在做什麼、為什麼到處都在講 API，以及它跟你每天用的 App 有什麼關係。
NEWFramework 與 Library：誰在指揮誰？
寫給文組與初學者的白話指南。一次講清楚 Framework 和 Library 的差別：到底是你呼叫它，還是它呼叫你？看完不再被這兩個詞搞混。
NEWPython OOP 互動實驗室
先體驗沒有物件導向的混亂，再用 class、instance、self 和 method 把資料與行為重新整理起來。用 iPhone 比喻一路拆到能真正理解 OOP 為何存在。
Python 初學者指南
為什麼 Python 是 AI 的語言？帶你從頭了解 Python 的生態系與核心優勢，開啟你的 AI 學習之旅。
記憶體視覺化：變數篇
用「倉庫 + 紙條」的比喻，一眼看懂 Python 裡 Class、Instance 和 Variable 的愛恨情仇。
程式是 114 年第二次 AI 應用規劃師-中級-第三科：機器學習技術與應用 ４０題
記憶體視覺化：陣列操作篇
探索更多 NumPy 的記憶體操作與進階陣列變化機制。
程式是 114 年第二次 AI 應用規劃師-中級-第三科：機器學習技術與應用 ４１題
記憶體視覺化：MSE 計算篇
透視 NumPy 在計算 MSE（均方誤差）時的向量化操作與底層記憶體運作機制，揭開機器學習評估指標的微觀世界。