攔截源頭

• 發現管道：Hello World Dev Conference
• 攔截原因：我最近在想，如果未來要做「AI 模型輔助開發工具」，那勢必要快速原型機器學習流程。
  但用 scikit-learn 一步步建模太慢。結果聽了一場演講發現了這個酷東西。

結果就看到 PyCaret 的標語：

“An open-source, low-code machine learning library in Python.”

為什麼不用其他方案

• scikit-learn：功能完整，但步驟太繁瑣，對實驗型任務太慢。
• AutoGluon / H2O AutoML：雖然強，但配置重、資源吃多。
• PyCaret 的特色剛好介於兩者之間：
  • 輕量
  • 人類可讀
  • 快速迭代
  • 適合個人開發者或教學實驗

技術初探

• 官方定義：PyCaret is an open-source, low-code machine learning library that automates the entire machine learning workflow — from preprocessing to model deployment.

• 核心賣點：

  • 全流程自動化 — 從清理資料、訓練、比較模型到部署，全自動。
  • 一行比較所有模型 — 自動 benchmark 多種演算法。
  • 支援分類、迴歸、群集、異常偵測、NLP 等任務。
  • 內建部署工具 — 可輸出為 pickle 或 FastAPI app。
  • 低代碼、可視化優先 — 適合原型開發與學習。

• 適用場景：

  • 想快速驗證資料科學想法
  • 教學或課堂 demo
  • 專案早期模型選型
  • 低代碼 AI 系統 PoC

實戰使用

安裝

pip install pycaret

快速上手 — 分類任務

from pycaret.datasets import get_data
from pycaret.classification import *

# 1. 載入範例資料
data = get_data('iris')

# 2. 初始化任務
s = setup(data, target='species', session_id=42)

# 3. 一鍵比較所有模型
best = compare_models()

# 4. 輸出最佳模型
print(best)

輸出會列出每個演算法的準確率、AUC、F1 等指標，
例如：

Model              Accuracy    AUC
Logistic Regression  0.96      0.95
Random Forest        0.98      0.97
SVM                  0.95      0.94

預測與部署

# 使用最佳模型預測
predictions = predict_model(best)

# 儲存模型
save_model(best, 'best_model_iris')

甚至可以直接建立 FastAPI 部署：

pycaret deploy --model best_model_iris --platform fastapi

記憶碼摘要

技術：PyCaret  
分類：低代碼機器學習框架  
難度：⭐⭐⭐☆☆（1–5 顆星）  
實用度：⭐⭐⭐⭐☆（1–5 顆星）  
一句話：讓你一行指令就能比較所有模型、完成整個 ML 工作流。  
關鍵指令：compare_models()  
適用情境：快速驗證 AI 想法、教學或自動化原型開發。

結語 — 完賽心得

到這篇為止，「攔截記憶碼」系列正式完賽

這 29 天的挑戰，其實一開始只是想讓自己「每天都碰一點技術」，
不管是新的 AI 框架、CLI 工具、Agent SDK，或只是某個冷門小專案。
因為技術變太快，很多學到的東西很容易忘；
與其被動被資訊淹沒，不如主動攔截，留下記憶的索引。

每天一小時，
有時候真的只是 clone 一個 repo、跑個 hello world；
但在這過程中，我學會怎麼更快地理解一個新技術的價值，
怎麼透過寫下來整理思考，
讓「學習」變成一種節奏，而不是壓力。

語的結語

「攔截記憶碼」對我來說不是挑戰結束，而是習慣的開始。
未來不一定每天都寫，但一定會繼續這個「攔截—記錄—輸出」的節奏，
讓技術的變化不只是浪潮，而是被記錄下的足跡。

完賽

技術每天都在更新，記憶每天都在流失。
攔截它、記錄它，未來的自己會感謝你。