① 依序閱讀：每節先讀說明；遇到互動元件時，先預測結果，再操作驗證。 ② 對照程式範例：程式碼卡下方的「來源」標了課程練習筆記本（lab）；需要實作時，再打開原始筆記本對照。 ③ 檢查理解：答錯時先看回饋，再回到相關說明；標為延伸的內容可留待第二輪。 ④ 最後翻關鍵詞彙卡自測術語，並用 重點速查與來源查閱。
教科書：An Introduction to Statistical Learning with Applications in Python（ISLP）；
AI 協作參考書：AI-Assisted Statistics for Data Scientists（第三版）。章節旁的來源標記可點到本頁書目。
你想知道 Auto 汽車資料中的馬力與油耗有什麼關係。AI 可以協助寫繪圖程式、解釋結果。你先確認欄位單位，猜測圖的形狀，再把實際結果和自己的想法比較。
下面哪一種分工最適合 AI 輔助的資料分析？
學一個新概念時，可以反覆練習這幾步： 先提出自己的想法，再動手嘗試，觀察證據，最後修正理解。 AI 可以在每一步提供選項、範例或解釋；這些步驟仍要由你完成。
↻ 下一輪：依照這次的結果修正理解，再提出下一個問題。
你要理解一份資料中兩個變數可能的關係。哪個做法最符合學習迴圈？
沿用 Auto 這個問題，先只做一張馬力對 mpg 的散佈圖。請 AI 幫你列出需要確認的欄位、資料來源與繪圖步驟；環境操作在 00B，完整提示寫法在 00C。
| 這一輪 | 你留下什麼 |
|---|---|
| 提出想法 | 馬力與 mpg 可能往什麼方向變，理由是什麼 |
| 動手嘗試 | 執行繪圖程式，確認軸標籤與單位 |
| 觀察證據 | 圖是否有曲線、離群點，或沒有明顯關係 |
| 修正理解 | 寫一句猜測被支持或需要修改的地方，再提出下一個問題 |
AI 建議你刪除某欄中的所有「?」。下一步最有學習價值的是？
即使散佈圖支持你的猜測，也不能直接寫「增加馬力造成油耗改變」。這份觀察資料還可能混有車重、年份等差異。把圖中看見的關係，和你想提出的解釋分開，正是這門課會逐步建立的能力。
模型在現有資料上的預測很準。下面哪個問題仍不能只靠這個分數回答？
完成第一張圖後，換一個條件再練：例如只看某些年份的車，先猜圖形會怎麼變，再執行比較。修好之後，試著說明這次改動為什麼有效。
A B C D 2025-09-01 -0.397297 -1.061537 1.455216 0.632237 2025-09-02 -0.840037 -1.592677 -0.604842 -1.500806 2025-09-03 0.501820 -0.662466 0.146713 0.293567 2025-09-04 -1.060077 -1.010073 0.553983 0.211157 2025-09-05 -0.109702 0.236859 -0.203407 0.695861
這張表取自 Ch01 的小型示範資料，與前面的 Auto 不同。先只指出欄名、資料型態與量級；等讀 Auto 時，也用同樣的方法確認拿到什麼。
來源：Ch01-lab-zh.ipynb
AI 已經幫你修好一段清理程式，而且能順利執行。怎樣確認你真的學會了？
回顧本頁觀念與原 Lab 的程式，確認各個操作的意義與使用條件。
你請 AI 找到一份適合研究大學生就業的公開資料。它列了三個網址與欄位。第一輪應怎麼做？
AI 把一批訪談分成四個主題，名稱也很通順。你下一步該怎麼建立證據？
AI 建好模型並寫道：『特徵 A 是造成結果的主要因素，因此應立即採用這項政策。』你要怎麼處理？
需要核對完整公式、比較表或實作時，再展開下方速查。
本頁的 Auto 情境是學習活動；以下研究用來理解 AI 協作與核對的必要性，不代表所有分析都能自動完成。書籍概念參考 Bruce、Bruce 與 Gedeck 的 AI-Assisted Statistics for Data Scientists 第三版，第 11 章（2026）；完整操作流程見 00C 來源與速查。
| 來源 | 本頁怎麼使用 | 解讀限制 |
|---|---|---|
| Drosos et al., CHIWORK 2024 | 理解 AI 輔助資料分析中的資訊搜尋、分析策略與 sensemaking 迴圈 | 參與式研究描述協作流程；成效的解讀限於研究中的使用者與任務 |
| Yang et al., npj Artificial Intelligence, 2026 | 說明 AI 可參與資料轉換、EDA、統計分析與機器學習等環節 | 能力展示不等於每種資料、模型或決策都能無監督使用 |
| Bermejo et al., Scientific Reports, 2025 | 作為 AI 參與文字探勘的近期案例 | 特定資料與研究設計的案例不能直接推廣成通用準確率 |
| NIST AI 600-1: Generative AI Profile | 支持來源追溯、輸出驗證、資料治理與人工監督的風險管理觀點 | 這是風險管理框架，不替任何個別分析背書 |
| Ramasamy et al., Empirical Software Engineering, 2025 | 延伸閱讀：AI 如何在 notebook 的不同資料科學步驟提供建議 | 研究任務偏簡單，不應直接外推到複雜的完整分析流程 |
| Zhou et al., NLP4Science 2024 | 延伸閱讀：從標記範例產生假設，再依錯誤案例反覆更新 | 這裡的假設指分類模式；科學或因果理論仍需要另外驗證 |
詞彙卡整理本頁引用的課程 lab中常用的統計或機器學習專有名詞，正面附英文名稱。 先看正面的術語，試著說出定義，再翻面核對。可以洗牌複習，也可以搭配本章例子練習解釋。