機器學習

一般模型問「會不會出事」，存活分析問「多久內會出事」。本篇介紹醫學統計的鎮山之寶——Kaplan-Meier 曲線與 Cox 比例風險模型，用 600 名新進作業員的首次工傷資料，找出職災風險窗口、量化速成訓練的代價，並揭露一個天真統計會踩死的陷阱：刪失資料。

工傷件數有淡旺季嗎？安全改善計畫真的有效嗎？本篇用十年月度工傷資料實測兩大時序模型：統計學派的 SARIMA 與 Meta 開源的 Prophet。實驗跑出一個殘酷的劇情：預設參數的 Prophet 輸給「直接抄去年同月」的天真基準——以及如何用元件圖診斷、調參逆轉的完整過程。

職災預測最大的敵人不是模型不夠強，而是資料天生不平衡：97% 準確率的模型可能漏掉四分之三的事故。本篇介紹兩大對策——資料層的 SMOTE 合成採樣與損失函數層的 Focal Loss，並用實驗揭露一個反直覺的真相：它們改變的往往不是模型的能力，而是決策的立場。

職災通常不是天降橫禍，而是「異常操作」累積的結果。本篇介紹異常偵測三大經典演算法：Isolation Forest 的隨機切分哲學、One-Class SVM 的正常邊界學派、LOF 的局部密度比較法，並以射出成型機的操作行為資料實戰演練。

在深度學習爆紅之前，曾經統治了機器學習界長達 20 年的分類器。本篇深入探討 SVM 的核心哲學：最大化邊際 (Margin)，以及處理非線性問題的神奇魔法——核函數 (Kernel Trick)。

決策樹是如何決定每一次的「分叉」？本篇延續分類大師班的結構，透過經典的鳶尾花資料集，深入解析決策樹的核心分裂指標：資訊增益（Information Gain）與吉尼不純度（Gini Impurity）。

為什麼 Netflix 比你還了解你的電影品味？本篇揭開推薦系統神祕的面紗，學習如何利用 SVD (奇異值分解) 將巨大的評分矩陣進行分解，從而挖掘出隱藏的「電影基因」，實現精準的個人化推薦。

面對 30 個維度的數據，人類的視覺已經失靈。本篇透過乳腺癌資料集，展示如何利用 PCA (主成分分析) 進行數據瘦身，將高維度的訊息「壓縮」成 2 維的可視化地圖，並學會讀懂這張地圖背後的變異真相。

為什麼尿布和啤酒會被擺在一起？這不是巧合，而是數據的旨意。本篇深入解析關聯規則的三大支柱：支持度、置信度與提升度，帶你從購籃數據中挖掘出反直覺的商業金礦。