L04｜中文 F3 學生的學習紀錄

角色設定：我是中三學生，只看得懂中文。Python 學過變數、for 迴圈和 list，數學讀到一元二次方程。我靠中文課程筆記、YouTube 自動翻譯字幕和查字典來學。Kaggle 筆記本的操作步驟，是依官方 notebook 流程寫下的練習紀錄。

我讀懂了什麼（用自己的話）

NLP 就是讓電腦讀文字，可以做分類、找相似、摘要。
文字要先切成小塊（token），再變成數字編號，模型才看得懂。
英文會切成子詞，例如 unhappiness 可能切成 un、happi、ness；中文沒有空格，切詞更麻煩。
過擬合就像只背考古題，題目一換就不會；所以要用沒看過的題目（驗證集）測試。
測試集要藏到最後，不然改來改去也會不小心「背」到驗證集。

我卡住的地方，和我怎麼解決

卡住的地方	我怎麼解決
專利比賽的資料是全英文，很多字不懂	先不管每個字的意思，只看欄位結構：anchor、target、context、score，知道要預測 score 就夠開始了。
不懂為什麼要把三個欄位接成一句	想通了：模型只會讀一段文字，所以把要比較的東西放進同一段，讓模型自己看。
Pearson 相關係數的公式看不懂	課程也說不用背公式，我看了幾張散佈圖：點越接近一條斜線，r 越接近 1 或 −1。

練習作答

Q1. 神經網路只能處理數字。一句英文要經過哪兩個步驟才能送進模型？各做什麼？

第一步是 tokenization：把句子切成 token（單字或子詞）。第二步是 numericalization：把每個 token 換成詞彙表裡的編號，變成一串數字。

Q2. 用自己的話解釋過擬合和欠擬合，並各舉一個「考試溫習」的例子。

過擬合：只把老師給的 20 題練習題答案背起來，考試換了數字就不會。欠擬合：只看了課本目錄就去考試，連基本題都不會。好的溫習是理解方法，新題目也能做。

Q3. 你要預測下個月的商店銷售額，手上有過去三年的資料。驗證集應該怎麼選？為什麼不能隨機抽？

應該用最近的幾個月（例如最後 2 至 3 個月）當驗證集，前面的資料當訓練集。因為真正要預測的是未來，如果隨機抽，模型會偷看到「未來」的資料，驗證成績會比真實情況好看。

Q4. 有驗證集了，為什麼還需要測試集？

因為我們會根據驗證集的成績一直調整模型，調多了，模型就變得特別適合這份驗證集，等於間接背到它。測試集完全沒用來調整，最後用一次，才能知道真正的實力。

Q5. Pearson r = 0.9、0.1、−0.8 各代表什麼？為什麼課程說一定要畫圖，不能只看數字？

0.9：兩組數字有很強的正相關，一個變大另一個也變大。0.1：幾乎沒關係。−0.8：很強的負相關，一個變大另一個變小。要畫圖是因為 r 對極端值很敏感，少數幾個奇怪的點就能讓 r 大幅改變，只看數字會被騙。

我的卡片盒筆記

卡片｜把陌生問題改寫成熟悉的問題，就能用現成工具解決

遇到新問題時，先想辦法把它變成已經會解的問題。專利片語相似度看起來很難，但只要把兩個片語和背景接成一段文字，它就變成普通的文字分類，可以直接用現成的預訓練模型。

這讓我想到數學課做應用題。以前看到一長段文字題我就慌，後來老師教我們先把文字改寫成方程式，題目就變成我會解的一元一次方程。這課的做法一模一樣，關鍵在改寫那一步。不過我覺得改寫也可能丟掉資訊，例如把三個欄位接在一起，模型可能分不清哪一段是 context，課程用 TEXT1、TEXT2 這種標記來解決，說明改寫時要想清楚怎麼保留結構。這次我真正體會到，改寫題目本身就是一種能力。

下次我遇到不會的程式題，我要先寫一句話：「這其實是一個 ___ 問題」，再決定用什麼方法。

🔗 推薦產生關聯的筆記： → 解題方法類：「先問這題像哪一題我做過的」 → 語言類：「電腦讀中文比讀英文多一道切詞的難關」 → 考試類：「刷考古題的分數會騙人」

回到課程筆記：L04_自然語言處理_202611041526