案例01｜Exercise 10.1：Automated Machine Learning 的角色與限制
案例02｜Figures 10.1–10.8：Titanic 從資料上傳到 Autopilot
案例03｜Exercise 10.2：Data Loading and Inspection
案例04｜Figures 10.9–10.17＋Tables 10.1–10.3：Autopilot、Leaderboard 與 Blueprint
案例05｜Figures 10.18–10.26：Lift、ROC、Feature Impact 與 Prediction Explanations
案例06｜Figures 10.27–10.29：Text Mining 與 Word Cloud Insights
案例07｜Exercise 10.3：Predictive Modelling with DataRobot
案例08｜Figures 10.30–10.31＋Tables 10.4–10.5：Holdout 與 Batch Predictions
案例09｜Exercise 10.4：Model Deployment 與企業流程
案例10｜Figures 10.32–10.42＋Exercises 10.5–10.6：House Price、Model Selection 與溝通
| 核心主題 | 主要觀點／方法 | 實務用途 | 重要條件／限制／延伸 |
|---|---|---|---|
| AML Workflow | Load → Explore → Feature Engineering → Autopilot | 自動化 Predictive Modelling | 仍需 Business Understanding 與 Data Inspection |
| Model Repository／Leaderboard | 訓練與比較多個 Models | Model Selection | 最高 Score 不必然等於最佳 Business Choice |
| Partition | Training、Validation、Holdout | 估計 Generalization | Holdout 應保留作 Unseen Data |
| Interpretation | Feature Impact、Feature Effects、Prediction Explanations | 解釋模型與個別預測 | Prediction Importance 不等於 Causality |
| Deployment | Batch Prediction、Business Process、IT Integration | 把模型轉成營運行動 | 需考慮流程與 Governance |
| Continuous Target | House Price AML | Regression Model Comparison | 需比較 Accuracy、Speed、Interpretability |
原書以 DataRobot 展示資料載入、Feature Engineering、Model Training、Validation、Leaderboard 與 Interpretation，但 Business Problem、Target Definition 與 Deployment 仍需要人類判斷。
Titanic 案例先檢查 Dataset 與 Fare，再由 Age 建立 Child Feature，之後才啟動 Autopilot。
Training、Validation 與 Holdout 的目的不同。Model Selection 不能只看同一份資料上的 Fit。