這段程式在做什麼？
載入一個用「Transformer」架構做的影像分類模型（而不是傳統 CNN）。

詳細解說：

• from transformers import ViTForImageClassification：從 Hugging Face 匯入 Vision Transformer 模型。
• ViTForImageClassification.from_pretrained("google/vit-base-patch16-224")：
  from_pretrained() 方法的功能說明：
  • 這是 Hugging Face 最強大的方法之一。
  • 它會自動從網路下載預訓練好的 ViT 模型（在 ImageNet 上訓練過）。
  • "vit-base-patch16-224" 是模型名稱，代表 base 版本、patch 大小 16x16、輸入圖片 224x224。

為什麼這題可能考？ 2025 年後 Vision Transformer 在很多影像任務上已經超越傳統 CNN，考試很可能會問你怎麼用 Hugging Face 載入。

這段程式在做什麼？
建立一個「先查公司內部文件、再回答問題」的系統，這就是 RAG（Retrieval-Augmented Generation）。

詳細解說：

• from langchain import RetrievalQA：從 LangChain 匯入 RetrievalQA 這個鏈（Chain）。
• RetrievalQA.from_chain_type(llm=llm, retriever=retriever)：
  from_chain_type() 方法的功能說明：
  • 這是 LangChain 最常用的建立 RAG 系統的方法。
  • llm：你要使用的語言模型（例如 OpenAI GPT、Llama 等）。
  • retriever：負責「檢索」相關文件的工具（通常是向量資料庫 + 嵌入模型）。
• qa.run("公司最新財報內容是什麼？")：
  .run() 方法的功能說明：
  • 把問題丟進去，系統會先用 retriever 找出最相關的文件片段。
  • 再把問題 + 相關文件一起丟給 llm，讓它產生有根據的回答。

為什麼這題可能考？ RAG 是目前企業最常用的 LLM 應用方式，幾乎所有公司內部知識問答系統都在用。

這段程式在做什麼？
把實驗的參數、結果、模型都自動記錄下來，方便之後比較不同實驗。

詳細解說：

• import mlflow：匯入 MLflow，這是目前最受歡迎的 MLOps 實驗追蹤工具。
• with mlflow.start_run():：
  start_run() 的功能說明：
  • 開始一個新的「實驗 run」。
  • 所有在 with 區塊內的 log 都會被記錄在這個 run 底下。
• mlflow.log_param("lr", 0.001)：
  log_param() 方法的功能說明：
  • 記錄「超參數」（例如學習率、batch size、層數等）。
• mlflow.log_metric("accuracy", 0.92)：
  log_metric() 方法的功能說明：
  • 記錄「評估指標」（accuracy, loss, f1-score 等）。
• mlflow.sklearn.log_model(model, "model")：
  log_model() 方法的功能說明：
  • 把訓練好的模型儲存起來，之後可以下載或部署。

為什麼這題可能考？ 在真實專案中你會跑很多次實驗，MLflow 可以幫你把過程記錄得非常清楚，這是 MLOps 的基礎技能。

這段程式在做什麼？
對影像做各種隨機變化（水平翻轉、調整亮度），讓模型看到更多樣的資料。

詳細解說：

• import albumentations as A：匯入 Albumentations，這是目前最強大、最快的影像資料增強庫。
• transform = A.Compose([...])：
  Compose() 的功能說明：
  • 把多個增強操作「串接」在一起。
  • 每次呼叫 transform 時，會隨機決定是否執行裡面的每個操作。
• A.HorizontalFlip(p=0.5)：
  • p=0.5 表示有 50% 的機率執行水平翻轉。
• A.RandomBrightnessContrast(p=0.3)：
  • p=0.3 表示有 30% 的機率調整亮度與對比度。

為什麼這題可能考？ 資料增強是提升影像模型表現最簡單有效的方法，幾乎每個影像專案都會用到。

這段程式在做什麼？
用 Facebook 開源的 Prophet 工具，快速做出未來 30 天的預測。

逐行詳細解說（超白話版）：

• from prophet import Prophet：匯入 Prophet 這個時間序列預測套件。它是 Facebook 開源的工具，專門用來預測有季節性、趨勢的時間序列資料。
• model = Prophet()：建立一個 Prophet 模型物件。可以加入 holidays、seasonality 等參數來客製化。
• model.fit(df)：
  .fit() 方法的功能說明：
  • .fit() 是 Prophet 的核心訓練方法。
  • 它會分析資料中的趨勢（trend）、季節性（seasonality）、節假日效應等，學習時間序列的模式。
  • 輸入的 df 必須有兩欄：ds（日期時間）和 y（數值）。
• future = model.make_future_dataframe(periods=30)：自動產生未來 30 個時間點的日期框架。
• forecast = model.predict(future)：
  .predict() 方法的功能說明：
  • .predict() 是預測方法。
  • 它會根據訓練好的模型，對 future 裡的每個時間點做出預測，並回傳包含 yhat（預測值）、yhat_lower、yhat_upper（信賴區間）等欄位的 DataFrame。

為什麼這題可能考？ 時間序列預測在零售、能源、金融領域非常常見，Prophet 是目前最容易上手且效果不錯的工具。

這段程式在做什麼？
檢查模型在不同群體（例如男女）之間的表現是否有明顯差異，確保 AI 不會有偏見。

為什麼這題可能考？ 2026 年後政府和企業對「AI 倫理」越來越重視。

這段程式在做什麼？
用 LangChain 快速建立一個「輸入問題 → LLM 回答」的流程。

詳細解說（超白話版）：

• from langchain.chains import LLMChain：匯入 LLMChain，這是 LangChain 最基礎的「鏈」。
• from langchain.prompts import PromptTemplate：匯入 PromptTemplate，用來建立可重複使用的提示模板。
• chain = LLMChain(llm=llm, prompt=prompt)：
  LLMChain 的功能說明：
  • 把「語言模型（llm）」和「提示模板（prompt）」綁在一起。
  • 這是 LangChain 最簡單的建立 LLM 應用的方式。
• result = chain.run("請幫我寫一封感謝信")：
  .run() 方法的功能說明：
  • 把問題丟進去，LangChain 會自動把問題填入 prompt 模板，再送給 llm 得到回答。

為什麼這題可能考？ LangChain 是目前最熱門的 LLM 應用框架，幾乎所有 LLM 專案都會用到。

這段程式在做什麼？
建立一個向量資料庫，快速找出跟問題最相似的文件（這是 RAG 的核心技術）。

詳細解說（超白話版）：

• import faiss：匯入 FAISS（Facebook AI Similarity Search），這是目前最快、最受歡迎的向量資料庫。
• index = faiss.IndexFlatL2(dimension)：
  IndexFlatL2 的功能說明：
  • 建立一個使用 L2（歐幾里得距離）的「平面索引」。
  • dimension 是向量維度（例如 768 或 1024）。
• index.add(embeddings)：
  .add() 方法的功能說明：
  • 把所有文件的向量嵌入（embeddings）加入索引。
  • 這是建立向量資料庫的關鍵步驟。
• D, I = index.search(query, k=5)：
  .search() 方法的功能說明：
  • 輸入 query 向量，找出最相似的 k=5 個文件。
  • D 是距離（越小越相似），I 是對應的文件索引。

為什麼這題可能考？ RAG 系統幾乎都要用到向量資料庫，FAISS 是目前最主流的選擇。

這段程式在做什麼？
用 YOLOv8 快速偵測圖片裡有什麼物體、位置在哪裡。

詳細解說（超白話版）：

• from ultralytics import YOLO：從 Ultralytics 匯入 YOLO，這是目前最強大、最容易使用的物件偵測框架。
• model = YOLO("yolov8n.pt")：
  YOLO() 的功能說明：
  • "yolov8n.pt" 是 nano 版本（最輕量）。
  • 第一次執行時會自動下載預訓練模型。
• results = model("image.jpg")：
  __call__() 方法的功能說明：
  • 直接把圖片路徑丟進去，模型會自動進行偵測。
  • 回傳 Results 物件，包含所有偵測到的物體資訊。
• results[0].plot()：
  .plot() 方法的功能說明：
  • 把偵測結果畫在圖片上（包含 bounding box 和標籤）。

為什麼這題可能考？ YOLO 是目前最受歡迎的即時物件偵測模型，幾乎所有影像專案都會用到。

這段程式在做什麼？
用 Stable Diffusion 根據文字描述生成圖片。

詳細解說（超白話版）：

• from diffusers import StableDiffusionPipeline：從 Hugging Face Diffusers 套件匯入 Stable Diffusion Pipeline。
• StableDiffusionPipeline.from_pretrained("runwayml/stable-diffusion-v1-5")：
  from_pretrained() 方法的功能說明：
  • 自動從 Hugging Face 下載預訓練好的 Stable Diffusion v1.5 模型。
  • 這是目前最經典、最穩定的版本之一。
• image = pipe("一隻可愛的貓咪").images[0]：
  Pipeline 的功能說明：
  • 直接把文字提示（prompt）丟進去。
  • 模型會自動進行「去噪」過程，生成對應的圖片。
  • `.images[0]` 取出第一張生成的圖片。

為什麼這題可能考？ 圖像生成是目前最熱門的 AI 應用之一，Stable Diffusion 是開源領域最受歡迎的模型。

這段程式在做什麼？
用 DQN（Deep Q-Network）讓 AI 學會玩 CartPole 遊戲。

詳細解說（超白話版）：

• import gym：匯入 OpenAI Gym，這是強化學習最常用的環境套件。
• env = gym.make("CartPole-v1")：建立 CartPole 環境（經典的倒立擺遊戲）。
• model = DQN("MlpPolicy", env, verbose=1)：
  DQN() 的功能說明：
  • "MlpPolicy"：使用多層感知機（MLP）作為策略網路。
  • verbose=1：顯示訓練過程的詳細資訊。
• model.learn(total_timesteps=10000)：
  .learn() 方法的功能說明：
  • 開始訓練，讓 AI 透過 trial-and-error 學習如何保持平衡。
  • total_timesteps=10000：總共訓練 10000 個時間步。

為什麼這題可能考？ 強化學習雖然比較進階，但 DQN 是最經典的入門演算法，CartPole 是最常用的測試環境。

這段程式在做什麼？
用圖神經網路（GNN）處理「圖結構」資料（例如社群網路、分子結構）。

詳細解說（超白話版）：

• from torch_geometric.nn import GCNConv：從 PyTorch Geometric 匯入圖卷積層（Graph Convolutional Layer）。
• class GCN(torch.nn.Module):：建立一個繼承自 PyTorch Module 的圖神經網路類別。
• self.conv = GCNConv(in_channels, out_channels)：
  GCNConv 的功能說明：
  • 這是圖卷積層的核心元件。
  • in_channels：每個節點的輸入特徵維度。
  • out_channels：輸出特徵維度（通常比輸入小，用來做降維或特徵提取）。

為什麼這題可能考？ GNN 在推薦系統、藥物發現、社交網路分析領域越來越重要，是 2025-2026 的熱門主題。

這段程式在做什麼？
讓 H2O 自動幫你試很多種模型，找出表現最好的那一個。

詳細解說（超白話版）：

• import h2o：匯入 H2O，這是目前最成熟的開源 AutoML 平台。
• h2o.init()：
  h2o.init() 的功能說明：
  • 啟動 H2O 叢集（通常是本機單機模式）。
• aml = H2OAutoML(max_models=20, seed=1)：
  H2OAutoML 的功能說明：
  • max_models=20：最多嘗試 20 種不同的模型。
  • seed=1：確保結果可重現。
• aml.train(x=features, y=target, training_frame=train)：
  .train() 方法的功能說明：
  • 開始自動訓練。
  • H2O 會自動嘗試 Random Forest、XGBoost、Deep Learning 等多種模型，並選出表現最好的那一個。

為什麼這題可能考？ AutoML 可以大幅降低建模門檻，現在很多公司都在使用。

這段程式在做什麼？
自動檢查模型上線後的資料是否跟訓練時的資料有明顯差異（資料漂移）。

詳細解說（超白話版）：

• from evidently.report import Report：從 Evidently 匯入 Report 類別，用來產生監控報告。
• from evidently.metric_preset import DataDriftPreset：匯入 DataDriftPreset，這是預設的「資料漂移」監控套件。
• report = Report(metrics=[DataDriftPreset()])：
  Report() 的功能說明：
  • 建立一個報告物件，並告訴它要監控「資料漂移」。
• report.run(reference_data=ref, current_data=curr)：
  .run() 方法的功能說明：
  • reference_data：訓練時的資料（基準）。
  • current_data：上線後的新資料。
  • 系統會自動比較兩者，產生漂移報告。

為什麼這題可能考？ 模型上線後最怕「資料漂移」，Evidently 是目前最受歡迎的開源監控工具。

這段程式在做什麼？
用「Few-shot + Chain-of-Thought」技巧，讓 LLM 回答得更準確。

詳細解說（超白話版）：

• prompt = """請一步一步思考：...：
  Chain-of-Thought (CoT) 的功能說明：
  • 「請一步一步思考」是目前最有效的 prompting 技巧之一。
  • 強制 LLM 展示思考過程，而不是直接跳答案。
• 範例1：... 範例2：...：
  Few-shot 的功能說明：
  • 給 LLM 幾個「範例」，讓它學習回答的格式和風格。
  • 這比 Zero-shot（完全不給範例）準確很多。
• response = llm(prompt)：
  llm() 的功能說明：
  • 把組合好的 prompt 送給語言模型，得到最終回答。

為什麼這題可能考？ Prompt Engineering 是目前用 LLM 最重要、最划算的技巧，Few-shot + CoT 是最經典的組合。

這段程式在做什麼？
建立一個能「思考 + 使用工具」的 AI Agent。

詳細解說（超白話版）：

• from langchain.agents import initialize_agent, Tool：從 LangChain 匯入 Agent 相關工具。
• initialize_agent(tools, llm, agent="zero-shot-react-description")：
  initialize_agent() 的功能說明：
  • tools：Agent 可以使用的工具列表（例如查天氣、查股票、計算機等）。
  • llm：背後的語言模型。
  • "zero-shot-react-description"：使用 ReAct 架構，讓 Agent 先「思考」（Reason）再「行動」（Act）。
• agent.run("今天台北天氣如何？")：
  .run() 方法的功能說明：
  • 把問題丟給 Agent，它會自動決定要使用哪個工具，並產生最終回答。

為什麼這題可能考？ Agent 是 2025-2026 最熱門的 LLM 應用方向，ReAct 是目前最主流的 Agent 架構。

這段程式在做什麼？
使用 LLaVA 這種「能看圖也會聊天」的多模態模型。

詳細解說（超白話版）：

• from transformers import LlavaForConditionalGeneration：從 Hugging Face 匯入 LLaVA（Large Language and Vision Assistant）模型。
• LlavaForConditionalGeneration.from_pretrained("llava-hf/llava-1.5-7b-hf")：
  from_pretrained() 的功能說明：
  • 自動下載 LLaVA 1.5 7B 版本，這是目前最受歡迎的開源多模態模型之一。
  • 它可以同時理解圖片和文字。
• response = model.generate(image, prompt)：
  .generate() 方法的功能說明：
  • 把圖片 + 文字提示一起丟給模型。
  • 模型會根據圖片內容回答問題。

為什麼這題可能考？ 多模態（圖文結合）是未來趨勢，LLaVA 是目前最容易上手的開源多模態模型。

這段程式在做什麼？
把大型模型壓縮到 4-bit，讓它可以在普通 GPU 上跑。

詳細解說（超白話版）：

• from transformers import BitsAndBytesConfig：從 Transformers 匯入量化設定工具。
• BitsAndBytesConfig(load_in_4bit=True)：
  BitsAndBytesConfig 的功能說明：
  • load_in_4bit=True：告訴模型要用 4-bit 量化載入。
  • 這可以把模型大小減少到原本的 1/4，大幅降低記憶體需求。
• model = AutoModelForCausalLM.from_pretrained(model_name, quantization_config=bnb_config)：
  from_pretrained() 的功能說明：
  • 結合 quantization_config 參數，自動用 4-bit 方式載入模型。
  • 這是目前最簡單的模型量化方法。

為什麼這題可能考？ 現在跑大模型最常遇到的問題就是「記憶體不夠」，4-bit 量化是解決這個問題的最有效方法。

這段程式在做什麼？
讓一個小模型（Student）去學習大模型（Teacher）的行為，達到「又小又準」。

詳細解說（超白話版）：

• student = DistilBertForSequenceClassification.from_pretrained("distilbert-base-uncased")：載入一個較小的 DistilBERT 模型作為 Student。
• teacher = BertForSequenceClassification.from_pretrained("bert-base-uncased")：載入一個較大的 BERT 模型作為 Teacher。
• # 訓練 student 去模仿 teacher 的輸出：
  Knowledge Distillation 的功能說明：
  • 讓 Student 學習 Teacher 的「軟標籤」（soft labels），而不是硬標籤。
  • 這樣 Student 可以達到接近 Teacher 的準確率，但體積只有 Teacher 的 40%。

為什麼這題可能考？ 在實際部署時，我們常需要把大模型壓縮成小模型，Knowledge Distillation 是最經典的方法之一。

這段程式在做什麼？
讓模型主動挑選「最不確定」的資料給人工標註，減少標註成本。

詳細解說（超白話版）：

• from modAL.models import ActiveLearner：從 modAL 套件匯入 ActiveLearner，這是 Python 中最受歡迎的 Active Learning 框架。
• learner = ActiveLearner(estimator=model, query_strategy=uncertainty_sampling)：
  ActiveLearner 的功能說明：
  • estimator：你要使用的模型（例如 Random Forest、SVM）。
  • query_strategy=uncertainty_sampling：使用「不確定性採樣」策略，挑選模型最不確定的樣本。
• query_idx, query_instance = learner.query(X_pool)：
  .query() 方法的功能說明：
  • 從未標註的資料池（X_pool）中，挑選出最值得標註的樣本。
  • query_idx 是索引，query_instance 是實際資料。

為什麼這題可能考？ 在真實專案中，標註資料很貴，Active Learning 是最有效的降低成本方法。

這段程式在做什麼？
用 LLM 產生「假的但很像真的」訓練資料，解決資料不足的問題。

詳細解說（超白話版）：

• prompt = "請產生 10 筆類似以下格式的客戶投訴資料..."：設計一個提示，讓 LLM 產生合成資料。
• synthetic_data = llm.generate(prompt)：
  llm.generate() 的功能說明：
  • 把提示送給語言模型，讓它產生「假的但很像真的」資料。
  • 這是目前最熱門的資料擴充方法之一。

為什麼這題可能考？ 現在很多公司都在用 LLM 產生合成資料來擴充訓練集，特別是在資料稀缺的領域。

這段程式在做什麼？
用 Feature Store 統一管理「特徵」，讓訓練和線上推論使用一樣的特徵。

詳細解說（超白話版）：

• from feast import FeatureStore：從 Feast 匯入 FeatureStore，這是目前最受歡迎的開源 Feature Store。
• store = FeatureStore(repo_path=".")：
  FeatureStore() 的功能說明：
  • repo_path：指向 Feature Store 的設定檔目錄。
• features = store.get_online_features(feature_refs, entity_rows)：
  get_online_features() 的功能說明：
  • 從線上 Feature Store 取得即時特徵。
  • 這確保訓練時和上線推論時使用的特徵完全一致。

為什麼這題可能考？ Feature Store 是 MLOps 的核心元件之一，能解決「訓練與推論特徵不一致」的問題。

這段程式在做什麼？
用 W&B 記錄實驗結果、畫圖、比較不同 run，還可以分享給團隊。

詳細解說（超白話版）：

• import wandb：匯入 Weights & Biases，這是目前最受歡迎的實驗追蹤平台。
• wandb.init(project="my-project")：
  wandb.init() 的功能說明：
  • 開始一個新的實驗，並指定專案名稱。
  • 所有後續的 log 都會被記錄在這個實驗底下。
• wandb.log({"accuracy": 0.92, "loss": 0.15})：
  wandb.log() 的功能說明：
  • 記錄指標和參數，可以是字典格式。
  • W&B 會自動畫圖並追蹤變化趨勢。
• wandb.finish()：
  wandb.finish() 的功能說明：
  • 結束這個實驗，並上傳所有記錄。

為什麼這題可能考？ W&B 是目前最受歡迎的實驗追蹤工具，幾乎所有機器學習團隊都在用。

這段程式在做什麼？
用 Flower 框架實作「聯邦學習」，讓多個裝置在不分享原始資料的情況下共同訓練模型。

詳細解說（超白話版）：

• import flwr as fl：從 Flower 匯入聯邦學習框架，這是目前最受歡迎的開源聯邦學習平台。
• def client_fn(cid): return FlowerClient(...)：
  client_fn 的功能說明：
  • 定義每個客戶端（Client）的行為。
  • cid 是客戶端 ID。
• fl.simulation.start_simulation(client_fn=client_fn, num_clients=10)：
  start_simulation() 的功能說明：
  • 啟動聯邦學習模擬。
  • num_clients=10：模擬 10 個客戶端共同訓練。

為什麼這題可能考？ 隱私保護越來越重要，Federated Learning 是解決「資料不能集中」的最佳方案。