開始之前：這章是你的「全景座標」
Orientation你已經在自學套件中讀完 Ch7 特徵工程——那是在「怎麼把影像/聲音變成數字」的層級。這章站得更高：整台分類機器長什麼樣？
概念章沒有公式負擔，重點是「能講給別人聽」。
畫線分類器 5 分鐘，勝過讀 30 分鐘。
把課本的醫療範例、輸送帶檢驗親手實作一遍。
知識地圖（路線總覽）
Knowledge map先看地圖、再往下讀：R1 領域全貌 → 1.2 特徵與分類器 → 1.3 三種學習 → 全書地圖。完整版本（含學習基石與知識卡）見 00-知識地圖.md。
四站路線（含難度與動手）
| 站 | 主題 | 章節 | 難度 | 時數 | 動手 |
|---|---|---|---|---|---|
| 1 | 領域全貌：定義＋6 大應用 | 1.1 | ★ | 1h | — |
| 2 | 特徵向量與分類器（核心） | 1.2 | ★★ | 2h | nb1 ＋ Demo 1 畫線分類器 |
| 3 | 三種學習（核心） | 1.3 | ★★ | 2h | nb2 ＋ Demo 2 監督 vs 分群 |
| 4 | 全書地圖＋迷你專案 | 1.5 | ★★ | 2h | nb3（輸送帶檢驗 93%／8 vs 0 100%） |
這門科學在幹嘛？難度 ★
Is pattern recognition important?一句話定義：模式辨認（pattern recognition）是以「把物件分類到若干類別」為目標的科學。依應用不同，物件可以是影像、訊號波形或任何需要分類的量測值——統稱 pattern（樣本）。
課本說：模式辨認是「大多數機器智慧系統的核心零件」——工業自動化與資訊檢索把這個領域推上工程應用的浪頭。
六個應用故事（課本 1.1）＝ 六個就業開口
輸送帶製品即時檢驗「有缺陷/無缺陷」；組裝線認出「螺絲起子類」「板手類」→ 機械手臂抓取。
掃描 → 分割 → 分類每個字元。應用：支票閱讀、郵局分信、線上/離線手寫。
X 光、CT、超音波、ECG/EEG。課本例：乳癌攝影有 10–30% 漏診 → 系統當「第二意見」。
開口打字（比打字員快 2 倍）、遠端操控、輔助身心障礙者。
CBIR（影像簽章檢索）、哼歌找音樂、DNA 序列比對。手動註記行不通 → 相似度搜尋。
指紋、簽名、人臉、手勢；MPEG-7「搜尋所有『人物 X 在笑』的影片場景」。
特徵、特徵向量與分類器 難度 ★★ 核心
Features, feature vectors & classifiers課本用一個「醫療影像分類」小故事，把整本書最重要的三個零件一次講完。
2.1 故事：良性 vs 惡性病灶
兩張影像，各有一塊區域：圖 a → 良性（class A），圖 b → 惡性（class B）。我們手上有一整個影像資料庫，每張的類別已知。
>>>
>>>第一步：找出可量測、能區分兩類的數量。課本量了「區域平均亮度 mean」與「亮度標準差 std」——把每張圖畫成 2D 散點圖（課本 Fig 1.2）：
>>>現在來一張新圖（圖中星號 ∗）：量測後畫進圖裡——合理判斷：它比較可能是 class A。
2.2 三個零件的正式定義
| 術語 | 白話 | 課本重點 |
|---|---|---|
| 特徵 Feature | 從樣本量測出的「有意義數字」（本例：mean、std） | 問題依賴：怎麼產生？是四大問題之一 |
| 特徵向量 x | 把 $l$ 個特徵疊成一支「數字串」 | 被視為隨機向量（量測噪音 + 個體差異） |
| 分類器 Classifier | 把特徵空間切成類別區的「刀」 | 2D 是決策線；$l$ 維是決策面/超平面 |
| 誤分類 Misclassification | 分錯了 | 決策不保證正確——所以才要「評估」 |
| 訓練樣本 Training patterns | 類別已知、用來設計分類器的樣本 | 監督式學習的燃料 |
2.3 分類系統的四大問題（設計循環）
| # | 問題 | 設計階段 | 對應本書章節 |
|---|---|---|---|
| 1 | 特徵怎麼產生？ | feature generation | Ch6–7（★你學過的 Ch7！） |
| 2 | 特徵數量 $l$ 取多少最好？ | feature selection | Ch5 |
| 3 | 分類器怎麼設計（照什麼準則）？ | classifier design | Ch2–4 |
| 4 | 怎麼評估效能（錯誤率）？ | system evaluation | Ch10 |
設計循環圖（課本 Fig 1.3）
以下為同圖的 SVG 清晰重繪版（文字較易讀）：
💡 玩完請想想：
・為什麼連「最佳線」都無法 100% 正確？（答案：兩類特徵是隨機變數，會重疊）
・若改用「面積＋圓度」當特徵，重疊會不會變小？（這是 Ch7 的主戰場）
三種學習方式 難度 ★★ 核心
Supervised vs Unsupervised vs Semi-supervised差別只有一件事：手上有沒有標籤？
| 監督式 Supervised | 非監督式 Unsupervised（叢聚） | 半監督式 Semi-supervised | |
|---|---|---|---|
| 標籤 | 訓練樣本全部有 | 完全沒有 | 少量有 + 大量無 |
| 目標 | 設計分類器 | 發掘資料群組結構（clustering） | 借無標籤資料改善設計 |
| 課本範例 | 病灶良惡分類 | 多光譜遙測：辨識森林/土壤/水體 | must-links / cannot-links 約束 |
| 口訣 | 「考卷有答案」 | 「自己找同類」 | 「幾題有答案，其餘靠推」 |
| 本書章節 | Ch2–10 | Ch11–16 | Ch10 |
遙測範例（課本 1.3）：
衛星感測器量測地表在多個波段的反射能量（可見光–紅外：土壤礦物/含水量、水體沉積、植被含水量…）→ 每個格點形成特徵向量 → 叢聚演算法把特徵空間自然聚成的群找出來 → 分析者用參考地面資料幫每個群「命名」（森林/土壤/水體…）。
>>>按「初始化中心」開始。每步：① 每個點指派到最近的中心 → ② 中心移到該群平均。重複直到收斂。
💡 對照「顯示真標籤」：分群結果與真標籤通常不完全一樣——因為非監督式沒有答案可對，能對上的程度取決於資料本身分得多開。
全書地圖（1.5）難度 ★
Outline of the book課本安排：Ch2–10 = 監督式；Ch11–16 = 非監督式；Ch10 也談半監督式。下面是全書路線圖——★ 標記處，是你已經讀過的地方（Ch7 特徵工程）。
動手實作：四本筆記本
Hands-on labs概念章更要動手——把課本的醫療範例、設計循環、輸送帶檢驗全部親手跑一遍。全在 handson/，合成資料、無需下載。
NumPy + 散點圖（10 分鐘）
重現課本 Fig 1.2：生成兩類「病灶」特徵 → 畫 mean-std 散點圖 → 統計
把 1.2 的四大問題走完：資料→特徵→分類器（最近中心/暴力搜尋最佳線）→評估（準確率/混淆矩陣/樣本數實驗）
重現 1.1 故事：輸送帶「良品/瑕疵」視覺檢驗 + OCR-lite「8 vs 0」孔洞分類
學完之後：職涯延伸路線圖
Career roadmap練功心法（避坑指南）
- 這章不背、要能講——找個人把「六大應用 + 四大問題 + 三種學習」講一遍（費曼技巧）。
- 先把 Demo 玩熟再往下走——「畫線分類器」能答出「為什麼最佳線也無法 100% 正確」，Ch2 就輕鬆了。
- 與 Ch7 連起來——四大問題中的特徵產生/選擇，你有實作經驗；這章替你裝上全景座標。
- 兩三天完成這章——它是入口，不是關卡；接著進 Ch2 貝氏分類器。