L05｜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）

卡住的地方	我怎麼解決
「*」和「@」有什麼不同	做了小實驗：* 是一格對一格相乘，@ 是矩陣乘法（相乘後再加總）。(a * b).sum(axis=1) 和 a @ b 結果一樣。
loss.backward() 之後梯度要歸零	忘記歸零時，梯度會一直累加，損失變得很奇怪；加上 coeffs.grad.zero_() 就正常了。
不知道 sigmoid 的 e 是什麼	查到 e 約等於 2.718，是一個常數；用 Python 的 torch.sigmoid 直接算就好。

Q1. 算出 sigmoid(−2)、sigmoid(0)、sigmoid(2)（取三位小數）。為什麼預測「是否生還」要在最後加 sigmoid？

sigmoid(−2) ≈ 0.119，sigmoid(0) = 0.5，sigmoid(2) ≈ 0.881。因為答案只能是 0（沒生還）或 1（生還），sigmoid 讓預測一定落在 0 到 1 之間，模型不用費力把數字剛好調到 0 或 1，訓練更容易。

Q2. 一個 tensor 的形狀是 (891, 12)。它的 rank 是多少？891 和 12 各代表什麼？

rank 是 2（二維表格）。891 是乘客人數（列），12 是每位乘客的特徵數量（欄）。

Q3. Age 欄有很多缺失值。為什麼課程用眾數補，而不是直接刪掉那些乘客？

刪掉會損失很多乘客的其他有用資料，訓練資料變少。用眾數補是最簡單的方法，大多數情況效果不差；而且「這欄原本缺失」本身也可能有意義。

Q4. 算出 log(1+0)、log(1+9)、log(1+99)（自然對數，取三位小數）。為什麼要加 1？

log(1) = 0，log(10) ≈ 2.303，log(100) ≈ 4.605。加 1 是因為 log(0) 沒有定義（會變成負無限大），票價為 0 的乘客就會出錯。

Q5. 課程訓練了 5 個只差在初始值的模型再取平均。為什麼這樣會比單一模型好？

每個模型因為起點不同，會犯不同的小錯誤。把預測平均之後，這些不相關的錯誤會互相抵消，留下大家都同意的部分，所以比單一模型穩定。

用框架很快，但只會用框架，出錯時會不知道從哪裡查起。這課 Jeremy 刻意不用 fastai，一行行寫出線性模型、神經網路和深度模型，再換回 fastai 的一行程式。對照之後，我才知道那一行裡藏了補值、正規化、初始化和學習率搜尋。

我學 Scratch 時也是這樣。老師先給現成的遊戲範本，我改得很快樂，但角色一卡住我就不會修。後來自己從空白專案寫一個接球遊戲，才明白碰撞偵測是怎麼運作的，再回去看範本就看懂了。不過我覺得不是每樣東西都要從零做，時間有限，選最核心的一兩個（例如訓練迴圈）自己寫就夠了。

這週我要做的小行動：不看筆記，自己重寫一次 train_model 函數，在鐵達尼號資料上跑到準確率 0.78 以上。

🔗 推薦產生關聯的筆記： → 學習方法類：「拆開黑盒子一次，之後用起來更安心」 → 程式類：「把探索步驟封裝成函數，三個月後還看得懂」 → 資料類：「最簡單的補值方法，常常就夠用」