# 機器學習：讓驗證單位匹配預測任務 — 學習任務單 [學習指南](https://unireadinglist.com/zh-tw/guides/machine-learning/) [課程主題: 機器學習與人工智慧](https://unireadinglist.com/zh-tw/subjects/computer-science/#course-machine-learning-ai) 來源確認日期: 2026-11-04 學習計畫與例題由 University Reading List 編輯整理。 適合會基礎統計、迴歸、Python閱讀與距離計算者。ISLP較應用，Murphy需更強線性代數、機率、微積分，AIMA延伸到智慧代理與決策。裝置、特徵、標籤均虛構，不宣稱母體預測表現或因果效果。 ## 選擇你的起點 - [ ] 需要側重應用的免費教材 用Python版ISL配概念與實驗，先誤差及重抽樣，再比複雜模型。 - [ ] 要機率基礎 數學準備後用Murphy，先問聯合分佈和決策規則，不只問軟體包。 - [ ] 要更廣AI地圖 用AIMA區分預測、搜尋、規劃和智慧代理行動，為本題選擇學習章節。 ## 三本書如何取捨 ### An Introduction to Statistical Learning: with Applications in Python（統計學習導論：Python 應用） Gareth James; Daniela Witten; Trevor Hastie; Robert Tibshirani; Jonathan Taylor · 2023 免費機器學習教材，側重應用 什麼情況下適合讀: 能讀Python和統計，需要概念配實驗。 什麼情況下選別本: 需完整推導或還未學Python。 建議閱讀範圍: 2023 Python版按標題讀統計學習、分類、重抽樣及模型選擇。 限制與取捨: 不同於2013／2021 R版；免費PDF與出版社格式、筆記本依賴分別處理。 #### 選書前試做 為同一重複裝置表寫兩種驗證問題，各選劃分單位。 檢查標準: 留一行不等於留出產生它的裝置。 你的筆記: ________________________________ ISBN: 9783031387463 [官方免費閱讀](https://www.statlearning.com/) [書目資訊與取得方式](https://unireadinglist.com/zh-tw/subjects/computer-science/an-introduction-to-statistical-learning-with-applications-in-python/) ### Probabilistic Machine Learning: An Introduction（機率式機器學習：導論） Kevin P. Murphy · 2022 免費數學配套 什麼情況下適合讀: 想連結預測、機率、最佳化和決策準則。 什麼情況下選別本: 還不熟線性代數、多元微積分和條件機率。 建議閱讀範圍: 2022入門卷按標題讀數學背景、監督學習和模型評估，再進專門方法。 限制與取捨: 精裝ISBN 9780262046824為2022書，作者免費草稿2025更新、有非商業／禁止改作條件；不是Advanced Topics續卷。 #### 選書前試做 明確查詢來自已知或新裝置，寫評估所需獨立性。 檢查標準: 同組相同特徵不構成對未知組的獨立證據。 你的筆記: ________________________________ ISBN: 9780262046824 [官方免費閱讀](https://probml.github.io/pml-book/book1.html) [書目資訊與取得方式](https://unireadinglist.com/zh-tw/subjects/computer-science/probabilistic-machine-learning-murphy/) ### 人工智慧：現代方法 Stuart Russell; Peter Norvig · 4 · 2020 綜合AI參考 什麼情況下適合讀: 需把預測放回智慧代理、搜尋、推理和行動。 什麼情況下選別本: 想要無需選讀的短統計實驗路線。 建議閱讀範圍: 第4美國版按標題讀智慧代理與從樣例學習，再按需讀機率、深度或強化學習。 限制與取捨: 美國與Global目錄不同，公開習題與程式碼不等於免費商業全文或全部教師解答。 #### 選書前試做 為分類器描述感知、預測標籤、行動和評價。 檢查標準: 準確率不自動等於效用、安全或決策保證。 你的筆記: ________________________________ ISBN: 9780134610993 [書目資訊與取得方式](https://unireadinglist.com/zh-tw/subjects/computer-science/artificial-intelligence-a-modern-approach/) ## 開始前需要會什麼 ### 擬合什麼？ 你的筆記: ________________________________ ### 目標單位是什麼？ 你的筆記: ________________________________ ### 分數說明什麼？ 你的筆記: ________________________________ ## 六步學習計畫 - [ ] 定義物件 建議閱讀範圍: ISLP入門。 要做的練習: 寫未來觀測是什麼、訓練已掌握哪些相關資訊。 檢查標準: 已知與新裝置目標分開寫。 你的筆記: ________________________________ - [ ] 固定規則 建議閱讀範圍: 分類章節。 要做的練習: 寫特徵、絕對距離、1近鄰和平局規則。 檢查標準: 裝置ID只分組，不作額外預測特徵。 你的筆記: ________________________________ - [ ] 查留行 建議閱讀範圍: 重抽樣與原題。 要做的練習: 給每行列所用訓練鄰居。 檢查標準: 標同裝置副本是否仍在訓練。 你的筆記: ________________________________ - [ ] 查留組 建議閱讀範圍: 模型評估。 要做的練習: 同時移走裝置兩行再算。 檢查標準: 演算法不變，隔離劃分單位差別。 你的筆記: ________________________________ - [ ] 改變部署 建議閱讀範圍: 變式。 要做的練習: 對已知裝置有界讀數證明近鄰間隔。 檢查標準: 條件穩健性不補救新裝置評估。 你的筆記: ________________________________ - [ ] 報告完整結論 建議閱讀範圍: 評估或智慧代理評價。 要做的練習: 一起報劃分單位、目標、預測與有限分數。 檢查標準: 不能看答案選最好分數再無限外推。 你的筆記: ________________________________ ## 原創例題與解析: 原創重複裝置表：兩個不同驗證問題 虛構A、B、C、D裝置特徵0、10、20、30，標籤0、1、0、1，每裝置兩行相同記錄。以標量絕對距離作1近鄰，平局選較小特徵。比較逐行留一與整裝置留兩行。 前提假設: 八行完整精確，ID只作分組。每折只用保留行，規則固定。分數為預測正確的留出行數，不附抽樣保證。 你的筆記: ________________________________ ## 改變假設，再做一題: 改變目標：已知裝置的有界讀數 現在僅部署同四臺已知裝置，保留八訓練行，查詢標籤保持裝置標籤，特徵離原值最多ε。先取ε=1，再找統一充分半徑並檢驗ε=5。 你的筆記: ________________________________ ## 進入下一階段之前 - 能定義目標並構造對應劃分。 - 能復算兩帳本及嚴格距離界。 - 能區分有限分數、條件保證與總體主張。 ## 答案與解釋 ### 擬合什麼？ 本題預先固定1近鄰及平局規則，不用留出行調參或預處理。 ### 目標單位是什麼？ 可能是訓練已出現裝置的新讀數，也可能完全新裝置；應依目標留出。 ### 分數說明什麼？ 只說明有限題包的精確結果；總體效能還需合理抽樣／部署關係與不確定性分析。 ### 原創重複裝置表：兩個不同驗證問題 1. 留一行時同裝置副本距離0，八行全對，8/8=100%。 2. 留A後最近10標籤1，錯；留D後最近20標籤0，錯。 3. 留B後0與20平局且都標籤0，錯；留C後10與30都標籤1，錯。每組兩行均錯，0/8。 4. 兩算術均正確，留出的資訊不同。前者保留裝置代表，後者移走整組；均不單獨證明總體準確率。 留行100%、留裝置0%，劃分單位須匹配任務。 檢驗結果: 列兩方案全部預測及鄰居；不推論留組總為零或留行永遠不適用。 ### 改變假設，再做一題: 改變目標：已知裝置的有界讀數 1. ε1時自身訓練點距離≤1，其他裝置至少10−1=9，所有允許查詢正確。 2. 一般0≤ε\<5，自身≤ε，其他≥10−ε\>ε，得統一保證，依賴已知裝置和標籤穩定。 3. ε5時B可報特徵5、真標籤1；0與10平局選0，預測0，反例足以否定所有裝置保證。 ε1及任意ε\<5都保證本題已知裝置正確；等於5不保證。這是條件距離證明，不是未知裝置結論。 檢驗結果: 核嚴格不等式和B在5的反例。標籤漂移、新裝置或新距離規則會使證明失效。 ## 常見誤區 ### 假定行獨立 重複行可保留部署時不應知道的裝置資訊。 ### 預測等於行動質量 標籤分數不說明損失與行動後果。 ### 有限分數無限推廣 精確題包或明示距離假設不等於任意未來分佈。 ## 參考來源與版本 - [Authors: free ISL Python volume and edition distinctions](https://www.statlearning.com/) 作者區分Python2023及R版，提供免費應用路線。 - [Springer:2023 Python book and five authors](https://link.springer.com/book/10.1007/978-3-031-38747-0) 出版社核對五作者Python卷和重抽樣範圍。 - [Author: introductory volume and updated free draft](https://probml.github.io/pml-book/book1.html) 更新草稿與紙本出版日、許可分開。 - [MIT Press:2022 introductory hardcover](https://mitpress.mit.edu/9780262046824/probabilistic-machine-learning/) 2022精裝不同於Advanced Topics續卷。 - [Authors: fourth US edition, agents and learning contents](https://aima.cs.berkeley.edu/) 第4美國版補智慧代理與學習地圖，不替代同一統計實驗序列。 這些是本站建議的學習活動，並非大學官方作業，也不代表對每本書逐頁通讀。 [編輯與選書方法](https://unireadinglist.com/zh-tw/editorial/)