# AITerms.tw - AI 術語詞典

> 結構化 AI 術語詞典，涵蓋 486 個 AI 術語定義、
> 860 道 iPAS 模擬題，以及完整考試趨勢分析。
> 每個術語頁提供 Markdown 版本供直接讀取。

本站同時提供完整內容展平檔：https://aiterms.tw/llms-full.txt
Sitemap：https://aiterms.tw/sitemap-index.xml
MCP Server：https://aiterms.tw/api/mcp
API Catalog：https://aiterms.tw/.well-known/api-catalog

## 核心術語（依重要度排序）
- [A/B測試（A/B Testing）](/terms/a-b-testing.md): A/B測試是一種隨機實驗方法，用於比較兩個版本的變數（A 和 B），以確定哪個版本表現更好。常用於優化使用者體驗和提升轉換率。
- [ACID（ACID (Atomicity, Consistency, Isolation, Durability)）](/terms/acid-atomicity-consistency-isolation-durability.md): ACID 是指資料庫交易必須具備原子性、一致性、隔離性與持久性四大特性，以確保資料處理的正確性、可靠性與完整性。
- [AI 代理（AI Agent）](/terms/ai-agent.md): AI 代理是能自主規劃、執行任務並運用工具的 AI 系統，它不只回答問題，更能實際採取行動
- [AI 幻覺（Hallucination）](/terms/hallucination.md): AI 幻覺是大型語言模型產生自信但事實錯誤或無中生有內容的現象，是 LLM 部署的主要風險
- [AI 系統架構（AI System Architecture）](/terms/ai-system-architecture.md): AI 系統架構描述 AI 應用的整體技術結構，包含資料層、模型層、服務層的設計，以及雲端、邊緣、混合部署等基礎設施配置
- [AI偏見（Bias in AI）](/terms/bias-in-ai.md): AI偏見是指AI系統在訓練或決策過程中，由於資料、演算法或人為因素，產生不公平或歧視性的結果。
- [AI沙盒（AI Sandbox）](/terms/ai-sandbox.md): AI沙盒是一個受控的環境，用於測試和評估AI系統，而無需擔心對真實世界產生負面影響。它提供了一個安全可靠的實驗平台。
- [AI治理（AI Governance）](/terms/ai-governance.md): AI治理是指建立一套框架和流程，以確保AI系統的開發和使用符合倫理、法律和社會價值觀。
- [AI浮水印（AI Watermarking）](/terms/ai-watermarking.md): AI浮水印是一種將資訊嵌入AI模型或其產生的內容中的技術，用於驗證來源、追蹤使用情況或防止未經授權的複製。
- [AI藥物發現（Drug Discovery AI）](/terms/drug-discovery-ai.md): AI藥物發現利用人工智慧加速藥物研發流程，從靶點識別、候選藥物篩選、臨床試驗設計到藥物重定位，降低成本並縮短開發週期。
- [AI負載平衡（Load Balancing for AI）](/terms/load-balancing-for-ai.md): AI負載平衡將AI任務分散到多個計算資源，確保資源有效利用，避免單點過載，提升整體系統效能和穩定性。
- [API閘道（API Gateway）](/terms/api-gateway.md): API閘道是位於應用程式前端的伺服器，作為單一入口點處理所有API請求，提供路由、驗證、授權、限流、監控等功能。
- [AutoML遷移學習（Transfer Learning for AutoML）](/terms/transfer-learning-for-automl.md): AutoML遷移學習利用預訓練模型知識，加速AutoML流程，減少訓練數據需求，提升模型泛化能力，並降低計算成本。
- [BERT（Bidirectional Encoder Representations from Transformers）](/terms/bidirectional-encoder-representations-from-transformers.md): Google 的雙向語言模型，用 MLM（遮罩）和 NSP 預訓練，擅長理解文本語意
- [BLEU分數（BLEU Score）](/terms/bleu-score.md): BLEU分數是一種評估機器翻譯文本品質的指標，通過比較候選譯文與參考譯文的n-gram重疊程度來計算，數值越高表示翻譯品質越好。
- [BM25算法（BM25）](/terms/bm25.md): BM25 (Best Matching 25) 是一種用於資訊檢索的排序函數，它基於詞頻和逆文檔頻率，並考慮了文檔長度的影響，以提高檢索的準確性。
- [Continuous Deployment（Continuous Integration）](/terms/continuous-integration.md): CI 每次提交自動建置+測試，CD 通過後自動部署到生產環境。確保每個變更都安全
- [F1 分數（F1 Score）](/terms/f1-score.md): Precision 和 Recall 的調和平均數 = 2PR/(P+R)，兼顧「找得準」和「找得全」
- [K 均值分群（K-Means Clustering）](/terms/k-means-clustering.md): K 均值分群是一種將資料點分配到 K 個群集的演算法，透過反覆運算，將點分配到最近的群集中心，並更新中心位置，直到收斂
- [K 近鄰（K-Nearest Neighbors）](/terms/k-nearest-neighbors.md): K 近鄰演算法是一種基於實例的學習方法，透過找出距離最近的 K 個鄰居，以投票方式決定資料點的分類
- [KL散度（KL Divergence）](/terms/kl-divergence.md): KL散度（Kullback-Leibler Divergence）衡量兩個機率分佈的差異，數值越大代表分佈差異越大，常用於評估模型預測分佈與真實分佈的接近程度。
- [L1 正則化（L1 Regularization (Lasso)）](/terms/l1-regularization-lasso.md): L1 正則化透過懲罰權重的絕對值總和，驅使模型將不重要特徵的權重歸零，達到特徵選擇的效果
- [L2 正則化（L2 Regularization (Ridge)）](/terms/l2-regularization-ridge.md): L2 正則化是一種機器學習技術，透過在損失函數中加入權重平方和的懲罰項，促使模型權重縮小，有效降低模型複雜度並避免過度擬合，提升泛化能力。
- [LangChain框架（LangChain）](/terms/langchain.md): LangChain是一個用於開發基於大型語言模型（LLM）應用程式的框架。它簡化了LLM的整合、鏈接和部署，讓開發者能快速構建複雜的AI應用。
- [LIME（Local Interpretable Model-agnostic Explanations）](/terms/local-interpretable-model-agnostic-explanations.md): LIME 針對單筆預測，以局部線性模型近似複雜黑箱模型的行為，提供與模型無關的可解釋性
- [N元語法（N-gram）](/terms/n-gram.md): N元語法是一種自然語言處理技術，用於預測序列中下一個詞的概率，基於前N-1個詞的出現頻率。
- [Python 串列與字典（Python List & Dictionary）](/terms/python-list-dict.md): Python 串列（List）是一種有序、可變的資料結構，用於儲存一系列元素；字典（Dictionary）則是一種鍵值對（Key-Value）的資料結構，用於快速查找和存取資料。
- [Python 條件與迴圈（Python Conditionals & Loops）](/terms/python-control-flow.md): Python 條件與迴圈是程式設計中控制程式流程的關鍵結構，透過條件判斷決定程式碼執行路徑，並利用迴圈重複執行特定程式碼區塊，實現複雜邏輯。
- [ReAct框架（ReAct Framework）](/terms/react-framework.md): ReAct框架是一種結合推理（Reasoning）和行動（Acting）的AI Agent框架，允許模型在解決問題的過程中進行思考、規劃和執行。
- [ROC 曲線（Receiver Operating Characteristic）](/terms/receiver-operating-characteristic.md): 以 FPR 為 X 軸、TPR 為 Y 軸畫出的曲線，展示模型在不同分類門檻下的權衡
- [ROC 曲線下面積（Area Under the ROC Curve）](/terms/area-under-the-roc-curve.md): 衡量分類模型在不同閾值下的綜合表現，AUC=1 完美，AUC=0.5 等於隨機猜
- [ROUGE評分（ROUGE Score）](/terms/rouge-score.md): ROUGE評分是一種用於評估自動文本摘要或機器翻譯品質的指標，通過比較生成文本與參考文本的n-gram重疊程度來衡量。
- [S 型函數（Sigmoid Function）](/terms/sigmoid-function.md): S 型函數能將任何數值壓縮至 0 到 1 之間，常用於二元分類模型，將輸出結果轉換為機率
- [SHAP（SHapley Additive exPlanations）](/terms/shapley-additive-explanations.md): SHAP 是一種基於賽局理論 Shapley 值的模型解釋方法，用於量化各特徵對模型預測的貢獻程度
- [Softmax 函數（Softmax Function）](/terms/softmax-function.md): Softmax 函數是一種將數值轉換為機率分佈的數學工具，常用於多元分類模型，確保輸出總和為一
- [SPARQL查詢（SPARQL）](/terms/sparql.md): SPARQL是一種用於查詢和操作RDF資料的查詢語言，類似於SQL用於關係資料庫。它允許使用者從知識圖譜中提取特定資訊。
- [Swin變換器（Swin Transformer）](/terms/swin-transformer.md): Swin Transformer是一種層級式的Transformer模型，用於電腦視覺任務，透過移動視窗機制有效降低計算複雜度，並提升模型效能。
- [TF-IDF（Term Frequency-Inverse Document Frequency）](/terms/term-frequency-inverse-document-frequency.md): 衡量一個詞對文件的重要性：在這篇文件中出現多（TF 高）但在其他文件中少見（IDF 高）的詞最重要
- [U型網路（U-Net）](/terms/u-net.md): U-Net是一種用於圖像分割的深度學習模型，其架構呈U型，包含編碼器和解碼器，能有效捕捉圖像的上下文資訊和精確定位分割邊界。
- [Z 分數（Z-score）](/terms/z-score.md): 衡量一個值偏離平均值幾個標準差，Z = (x - μ) / σ。常用於標準化和異常值檢測
- [三元組抽取（Triple Extraction）](/terms/triple-extraction.md): 三元組抽取是從文本中提取（主語，謂語，賓語）三元組的過程，是構建知識圖譜的基礎，也是關係抽取的一種形式。
- [上下文學習（In-context Learning）](/terms/in-context-learning.md): 上下文學習 (In-context Learning) 指的是大型語言模型無需額外訓練，僅通過輸入範例即可學習新任務的能力。
- [上下文學習理論（In-context Learning Theory）](/terms/in-context-learning-theory.md): 上下文學習理論指大型語言模型無需額外訓練，僅憑藉輸入提示中的範例，即可執行新任務的能力，展現了模型泛化的潛力。
- [上下文窗口（Context Window）](/terms/context-window.md): 上下文窗口是指，大型語言模型一次性能處理的最大 Token 數量，超過此限制模型便會遺忘先前的內容
- [世界模型（World Model）](/terms/world-model.md): 世界模型是一種AI模型，旨在學習環境的內部表示，使代理能夠預測未來狀態並做出更明智的決策。
- [中央極限定理（Central Limit Theorem）](/terms/central-limit-theorem.md): 中央極限定理指出，大量獨立隨機變數的總和（或平均值）趨近於常態分佈，與原始變數的分佈無關。是統計推論的基石。
- [主成分分析（Principal Component Analysis）](/terms/principal-component-analysis.md): 主成分分析是一種降維技術，藉由找出資料變異最大的方向，將高維度資料投影至低維度空間，以保留關鍵資訊
- [互信息（Mutual Information）](/terms/mutual-information.md): 互信息衡量兩個隨機變數之間相互包含的信息量，數值越大代表相關性越高，常用於特徵選擇、圖像配準等任務。
- [交並比（Intersection over Union）](/terms/intersection-over-union.md): 交並比是物件偵測中，用來評估預測框與真實框定位準確度的指標，計算兩者重疊面積與聯集面積的比率
- [交叉熵損失（Cross-entropy）](/terms/cross-entropy.md): 交叉熵損失是一種衡量兩個機率分佈之間差異的損失函數，常用於分類任務中評估模型預測結果與真實標籤的差距。
- [交叉驗證（Cross-Validation）](/terms/cross-validation.md): 交叉驗證是一種將資料分成多份，輪流以不同子集作為驗證集，藉此評估模型泛化能力的技術
- [人工智慧（Artificial Intelligence）](/terms/artificial-intelligence.md): 人工智慧是模擬人類認知能力的電腦技術，透過機器學習與深度學習讓系統能自主學習與決策
- [人工智慧倫理（AI Ethics）](/terms/ai-ethics.md): 人工智慧倫理旨在探討並解決AI系統開發、部署和使用過程中涉及的道德、法律和社會問題，確保AI的發展符合人類價值觀。
- [人工智慧公平性（Fairness in AI）](/terms/fairness-in-ai.md): 人工智慧公平性旨在確保AI系統的決策不會對特定群體或個人產生不合理的歧視，追求結果的公正與平等。
- [人工智慧安全（AI Safety）](/terms/ai-safety.md): 人工智慧安全旨在確保AI系統在部署後，其行為符合人類意圖，避免產生意外或有害的後果，保障人類福祉。
- [人工智慧監管（AI Regulation）](/terms/ai-regulation.md): 人工智慧監管是指政府或相關機構制定和實施的，旨在規範人工智慧技術開發、部署和使用的法律、政策和指導方針，以確保其安全、公平和符合倫理。
- [人工智慧風險評估（AI Risk Assessment）](/terms/ai-risk-assessment.md): 人工智慧風險評估是一種識別、分析和評估人工智慧系統可能造成的潛在風險的過程，旨在了解風險的性質、可能性和影響，並制定相應的應對措施。
- [人機迴路（Human-in-the-Loop）](/terms/human-in-the-loop.md): 人機迴路 (HITL) 是一種 AI 方法，其中人類參與模型訓練和決策過程，以提高準確性、可靠性和倫理考量。
- [人臉辨識（Face Recognition）](/terms/face-recognition.md): 人臉辨識是一種電腦視覺技術，用於自動識別或驗證圖像或影片中的人臉，並與已知人臉資料庫進行比對。
- [人類回饋強化學習（RLHF）](/terms/rlhf.md): 人類回饋強化學習（RLHF）是一種利用人類回饋訊號，訓練強化學習模型，使其行為更符合人類偏好的方法。
- [代價函數（Cost Function）](/terms/cost-function.md): 代價函數是所有訓練樣本損失函數的平均值，用於評估模型在整個訓練集上的表現，並作為優化算法的目標。
- [位元組對編碼（Byte Pair Encoding）](/terms/byte-pair-encoding.md): 位元組對編碼（BPE）是一種資料壓縮技術，也常用於自然語言處理中，作為一種詞彙標記化方法，將單詞分解成更小的子詞單元。
- [位置編碼（Positional Encoding）](/terms/positional-encoding.md): 位置編碼是一種將序列中單詞或符號的位置資訊嵌入到向量表示中的技術，使模型能感知序列順序。
- [低秩適配（LoRA）](/terms/lora.md): LoRA是一種參數高效的微調技術，透過學習低秩矩陣來適應預訓練模型，大幅減少訓練參數，降低計算成本。
- [低程式碼（Low Code）](/terms/low-code.md): 低程式碼平台讓使用者透過視覺化拖拉介面快速開發應用，大幅降低軟體開發的技術門檻與時間成本
- [你只看一次（YOLO）](/terms/yolo.md): YOLO (You Only Look Once) 是一種即時物件偵測演算法，它將物件偵測視為一個迴歸問題，直接從完整圖像預測邊界框和類別機率。
- [依存句法分析（Dependency Parsing）](/terms/dependency-parsing.md): 依存句法分析是自然語言處理中，分析句子中詞彙之間的依存關係，建立句子的語法結構，揭示詞彙間的修飾、支配等關係。
- [信用評分（Credit Scoring）](/terms/credit-scoring.md): 信用評分是利用統計模型評估個人或企業的信用風險，預測其未來償還債務的能力，是金融機構決策的重要依據。
- [修正線性單元（Rectified Linear Unit）](/terms/rectified-linear-unit.md): 修正線性單元是一種激活函數，其核心特徵為保留正值並將負值歸零，藉此加速計算並避免梯度消失
- [假設檢定（Hypothesis Testing）](/terms/hypothesis-testing.md): 假設檢定是一種統計方法，透過樣本數據評估關於母體的假設是否成立，藉由計算機率值判斷證據強度，進而做出決策。
- [偏差（Bias）](/terms/bias.md): 偏差是模型對特定族群或特徵產生系統性錯誤傾向，源自訓練資料不平衡或演算法設計缺陷
- [偏差方差權衡（Bias-Variance Tradeoff）](/terms/bias-variance-tradeoff.md): 偏差方差權衡是指在模型訓練中，降低偏差會增加方差，反之亦然。目標是找到一個平衡點，使模型在未見過的數據上表現良好。
- [元學習（Meta-learning）](/terms/meta-learning.md): 元學習，又稱學習如何學習，旨在訓練模型能夠快速適應新任務或環境，透過少量樣本即可達到良好的效能。
- [先知預測模型（Prophet）](/terms/prophet.md): Prophet是由Facebook開發的時間序列預測模型，專為具有強烈季節性趨勢的商業時間序列資料設計，易於使用且具有良好的預測能力。
- [光學字元辨識（OCR）](/terms/ocr.md): 光學字元辨識（OCR）是一種技術，能將圖像中的文字轉換為機器可讀的文字格式，例如將掃描文件轉換為可編輯的文字。
- [入侵偵測系統（Intrusion Detection System）](/terms/intrusion-detection-system.md): 入侵偵測系統（IDS）是一種安全系統，旨在監控網路或系統中的惡意活動或策略違規行為。它通過分析流量、日誌和系統行為來識別潛在的入侵。
- [內容生成（Content Generation）](/terms/content-generation.md): 內容生成是指使用人工智慧技術自動創建文字、圖像、音訊或影片等內容的過程，旨在降低內容創作成本並提高效率。
- [內容過濾推薦（Content-based Filtering）](/terms/content-based-filtering.md): 內容過濾推薦是一種推薦系統方法，它基於用戶過去互動過的項目內容特徵，向用戶推薦相似的項目。它分析項目描述，並匹配用戶偏好。
- [公平性（Fairness）](/terms/fairness.md): AI 公平性要求模型對不同族群的決策結果無系統性歧視，需透過資料平衡與演算法設計確保一致待遇，是負責任 AI 的核心原則。
- [公民開發者（Citizen Developer）](/terms/citizen-developer.md): 公民開發者是指，能運用低程式碼（LCNC）平台，開發應用程式的非資訊背景專業人士
- [共指解析（Coreference Resolution）](/terms/coreference-resolution.md): 共指解析是自然語言處理中的一項任務，旨在識別文本中指向同一個實體的不同提及（mentions），例如代詞、名詞短語等。
- [共變異數（Covariance）](/terms/covariance.md): 共變異數衡量兩個變數如何一起變化。正值表示它們趨於一起增加或減少，負值表示一個增加時另一個趨於減少，零值表示沒有線性關係。
- [具身人工智慧（Embodied AI）](/terms/embodied-ai.md): 具身人工智慧是指讓AI系統擁有物理軀體，透過與環境互動來學習和解決問題，強調感知、行動和環境之間的循環。
- [最大似然估計（Maximum Likelihood Estimation）](/terms/maximum-likelihood-estimation.md): 最大似然估計 (MLE) 是一種統計方法，用於估計機率分佈的參數，它通過最大化觀察到樣本數據的似然函數來實現。
- [冷啟動問題（Cold Start Problem）](/terms/cold-start-problem.md): 冷啟動問題是指在推薦系統中，對於新使用者或新物品，由於缺乏足夠的互動資料，導致無法準確推薦的問題。常見解決方案包括利用元資料、內容過濾或混合推薦。
- [凸優化（Convex Optimization）](/terms/convex-optimization.md): 凸優化是一種數學優化方法，旨在尋找凸函數在凸集合上的最小值。其優點是局部最小值即為全局最小值，易於求解。
- [函數呼叫（Function Calling）](/terms/function-calling.md): 函數呼叫是一種允許大型語言模型（LLM）調用外部函數或API的能力，以擴展其功能並與外部世界互動。
- [分塊處理（Chunking）](/terms/chunking.md): 分塊處理是指將大型資料集或文本分割成更小、更易於管理的部分，以便於模型處理和分析，提升效率。
- [分散式訓練（Distributed Training）](/terms/distributed-training.md): 分散式訓練利用多個計算節點，將模型訓練任務分割並行處理，加速大型模型訓練，提升效率。
- [分詞（Tokenization）](/terms/tokenization.md): 分詞是自然語言處理（NLP）中的基礎步驟，旨在將連續的文本序列拆解成更小的、具有語義意義的單元，例如詞彙、子詞或字符，這些單元稱為 tokens。
- [判別式 AI（Discriminative AI）](/terms/discriminative-ai.md): 判別式 AI 學習輸入與輸出之間的條件機率 P(Y|X)，直接預測分類或回歸結果，與生成式 AI 學習資料分佈 P(X) 相對
- [判定係數（R-squared）](/terms/r-squared.md): 判定係數（R-squared）衡量模型解釋目標變數變異的比例，數值介於 0 到 1 之間
- [前綴調整法（Prefix Tuning）](/terms/prefix-tuning.md): 前綴調整法是一種參數高效的微調技術，通過在輸入序列前添加可訓練的前綴向量，來引導預訓練模型生成期望的輸出，同時保持原始模型參數凍結。
- [前饋神經網路（Feedforward Neural Network）](/terms/feedforward-neural-network.md): 前饋神經網路是一種訊息單向傳播的神經網路，由輸入層、隱藏層和輸出層組成，廣泛應用於分類和迴歸任務。
- [加速區域卷積網路（Faster R-CNN）](/terms/faster-r-cnn.md): Faster R-CNN是一種物件偵測演算法，它使用區域建議網路(RPN)來生成候選區域，並使用卷積神經網路(CNN)對這些區域進行分類和邊界框回歸。
- [半監督學習（Semi-supervised Learning）](/terms/semi-supervised-learning.md): 半監督學習是一種機器學習方法，它結合了少量標記資料和大量未標記資料進行模型訓練，旨在利用未標記資料提升模型效能，降低標記成本。
- [協同過濾（Collaborative Filtering）](/terms/collaborative-filtering.md): 協同過濾是一種推薦系統技術，透過分析使用者行為或偏好，預測使用者可能感興趣的項目，例如商品、電影或音樂。
- [卜瓦松分佈（Poisson Distribution）](/terms/poisson-distribution.md): 卜瓦松分佈是一種離散機率分佈，描述在固定時間或地點內，事件發生的次數。其特點是事件發生是獨立且隨機的。
- [卡方檢定（Chi-squared Test）](/terms/chi-squared-test.md): 卡方檢定是一種統計方法，用於檢驗兩個或多個類別變數之間是否存在顯著關聯性。它比較觀察值與期望值之間的差異。
- [即時推論（Real-time Inference）](/terms/real-time-inference.md): 即時推論是指模型在接收到單個輸入後立即進行預測，適用於需要快速響應的應用，例如線上推薦或詐欺檢測。
- [卷積神經網路（Convolutional Neural Network）](/terms/convolutional-neural-network.md): 專門處理圖像的神經網路，用小窗口（卷積核）掃過圖片提取局部特徵，參數共享大幅減少計算量
- [去噪擴散機率模型（Denoising Diffusion Probabilistic Model）](/terms/denoising-diffusion-probabilistic-model.md): 去噪擴散機率模型（DDPM）是一種生成模型，通過逐步添加高斯噪聲破壞資料，然後學習逆向過程，從噪聲中重建資料，實現高品質的資料生成。
- [反事實解釋（Counterfactual Explanation）](/terms/counterfactual-explanation.md): 反事實解釋描述了為了改變模型預測結果，輸入數據需要做的最小變動。它提供了一種理解模型決策邏輯的方式。
- [反洗錢人工智慧（Anti-Money Laundering AI）](/terms/anti-money-laundering-ai.md): 反洗錢人工智慧（AML AI）利用AI技術自動偵測金融交易中的可疑活動，協助金融機構遵守法規，打擊洗錢犯罪。
- [召回率（Recall）](/terms/recall.md): 召回率衡量模型在所有實際正例中，成功識別出多少正例的能力，反映其查找完整性的指標
- [可解釋人工智慧（Explainable AI）](/terms/explainable-ai.md): 可解釋 AI 透過視覺化或簡化模型，讓複雜的黑箱模型預測決策過程能被人類理解、信任與稽核。
- [合成數據（Synthetic Data）](/terms/synthetic-data.md): 合成數據是指通過程式或演算法生成的人工數據，而非從真實世界收集的數據。它常用於訓練AI模型，特別是在真實數據稀缺或涉及隱私問題時。
- [合成資料生成（Synthetic Data Generation）](/terms/synthetic-data-generation.md): 合成資料生成是指透過程式或模型創建人工資料，用於訓練機器學習模型，尤其是在真實資料稀缺或難以獲取的情況下。
- [同態加密（Homomorphic Encryption）](/terms/homomorphic-encryption.md): 同態加密是一種先進加密技術，允許直接對加密數據執行計算，而無需事先解密，確保數據隱私。
- [向量資料庫（Vector Database）](/terms/vector-database.md): 向量資料庫是一種專門儲存和檢索向量嵌入的資料庫，能高效處理高維度資料的相似性搜尋，廣泛應用於推薦系統和語義搜尋。
- [命名實體辨識（Named Entity Recognition）](/terms/named-entity-recognition.md): 命名實體辨識是自然語言處理的核心技術之一，它能自動從非結構化文本中識別出具有特定類別意義的實體，例如人名、地名、組織機構、日期等，並進行分類標註。
- [問答系統（Question Answering）](/terms/question-answering.md): 問答系統是一種利用電腦程式自動回答人類提出的問題的技術，旨在提供快速、精確的資訊檢索和知識獲取。
- [單樣本學習（One-shot Learning）](/terms/one-shot-learning.md): 單樣本學習是一種機器學習方法，旨在僅使用一個或少數幾個樣本來學習新的類別或概念，模擬人類快速學習的能力。
- [回饋迴路（Feedback Loop）](/terms/feedback-loop.md): 回饋迴路是指系統輸出影響其輸入的過程，在AI中用於迭代改進模型效能，透過評估結果並調整參數。
- [因果推論（Causal Inference）](/terms/causal-inference.md): 因果推論是從觀察數據中推斷因果關係的方法，旨在確定一個變數的變化是否直接導致另一個變數的變化。
- [因果語言模型（Causal Language Model）](/terms/causal-language-model.md): 因果語言模型是一種語言模型，它基於序列中先前詞彙預測下一個詞彙，並明確建模詞彙之間的因果關係，以提升生成文本的連貫性和可控性。
- [困惑度（Perplexity）](/terms/perplexity.md): 困惑度衡量語言模型預測文本序列的能力，數值越低代表模型預測能力越好，對文本的理解程度越高。
- [圖像分類（Image Classification）](/terms/image-classification.md): 圖像分類是電腦視覺中的一項任務，旨在將圖像分配到預定義的類別中。模型學習圖像特徵，並基於這些特徵預測圖像所屬的類別。
- [圖像生成（Image Generation）](/terms/image-generation.md): 圖像生成是一種人工智慧技術，旨在從文字描述、其他圖像或隨機雜訊中創造出全新的、逼真的或風格化的圖像。
- [圖像識別（Image Recognition）](/terms/image-recognition.md): 圖像識別是電腦視覺領域的一項任務，旨在識別圖像中的對象、人物、地點或事件。它比圖像分類更廣泛，可能涉及定位和標記圖像中的多個對象。
- [圖形處理器（GPU）](/terms/gpu.md): 圖形處理器（GPU）是一種專為並行處理設計的電子電路，最初用於加速圖像渲染，現廣泛應用於深度學習等需要大量計算的領域。
- [圖檢索增強（Graph RAG）](/terms/graph-rag.md): 圖檢索增強（Graph RAG）利用知識圖譜結構化信息，提升檢索效率和答案準確性，優於傳統向量檢索。
- [圖神經網路（Graph Neural Network）](/terms/graph-neural-network.md): 圖神經網路(GNN)是一種用於處理圖結構資料的深度學習模型，能學習節點、邊和圖的表示，並用於節點分類、連結預測和圖分類等任務。
- [均方根誤差（Root Mean Squared Error）](/terms/root-mean-squared-error.md): 均方根誤差是均方誤差開根號後的數值，代表模型預測值與實際值之間差值的集中程度，單位與原始資料相同
- [均方誤差（Mean Squared Error）](/terms/mean-squared-error.md): 均方誤差是一種常用的迴歸模型評估指標，它計算預測值與真實值之間差異的平方平均值，能有效衡量模型預測的準確性，並對較大的誤差給予更高的懲罰。
- [基因演算法（Genetic Algorithm）](/terms/genetic-algorithm.md): 基因演算法是一種模擬生物進化過程的優化算法，通過選擇、交叉和突變等操作，逐步演化出更優的解，用於解決複雜的搜索和優化問題。
- [基於會話推薦（Session-based Recommendation）](/terms/session-based-recommendation.md): 基於會話推薦利用使用者單次瀏覽會話內的行為序列，預測使用者下一步可能感興趣的項目，無需使用者歷史資料。
- [基準測試（Benchmark）](/terms/benchmark.md): 基準測試是用於評估和比較不同AI模型、演算法或系統性能的標準化方法，提供客觀的性能指標。
- [基礎模型（Foundation Model）](/terms/foundation-model.md): 基礎模型是使用大量未標記數據訓練的大型模型，可適應多種下游任務，展現出強大的泛化能力和遷移學習能力。
- [多代理系統（Multi-Agent System）](/terms/multi-agent-system.md): 多代理系統是由多個獨立自主的代理（Agent）組成的計算機系統，這些代理透過相互溝通、協調與合作，共同解決複雜問題或達成特定目標。
- [多任務學習（Multi-task Learning）](/terms/multi-task-learning.md): 多任務學習是一種機器學習方法，旨在同時訓練一個模型來執行多個相關任務，以提升模型的泛化能力和效率。
- [多模態 AI（Multimodal AI）](/terms/multimodal-ai.md): 多模態 AI 能同時處理並整合多種類型的輸入資料（文字、圖像、聲音、影片等），產生跨模態的理解與輸出
- [多模態學習（Multimodal Learning）](/terms/multimodal-learning.md): 多模態學習是一種機器學習方法，旨在從多種不同類型（模態）的資料中學習，例如圖像、文字和音訊，以提升模型效能。
- [多跳推理（Multi-hop Reasoning）](/terms/multi-hop-reasoning.md): 多跳推理是指需要通過多個推理步驟才能得出結論的推理過程，模擬人類複雜的思考方式。
- [大型語言模型（Large Language Model）](/terms/large-language-model.md): 大型語言模型是以大量文字訓練的超大 Transformer 模型，擅長理解並生成自然語言
- [大數據（Big Data）](/terms/big-data.md): 大數據指規模龐大、速度快速且多樣化的資料集合，傳統資料處理工具難以有效處理，需要專門的技術與架構來儲存、分析與應用
- [奇異值分解（Singular Value Decomposition）](/terms/singular-value-decomposition.md): 奇異值分解（SVD）是一種將矩陣分解為三個矩陣乘積的技術，廣泛應用於降維、推薦系統和資料壓縮等領域。
- [季節性分解（Seasonal Decomposition）](/terms/seasonal-decomposition.md): 季節性分解是一種時序分析技術，將時間序列分解為趨勢、季節性、週期性和殘差等成分，以便更好地理解和預測資料。
- [學習率（Learning Rate）](/terms/learning-rate.md): 學習率是機器學習模型訓練中的關鍵超參數，它決定了梯度下降演算法每次更新模型參數的步長與幅度，過大可能導致模型震盪，過小則會使收斂速度緩慢。
- [學習率排程（Learning Rate Scheduling）](/terms/learning-rate-scheduling.md): 學習率排程是一種在訓練過程中調整學習率的技術，旨在加速收斂、避免震盪，並提高模型的泛化能力。常見方法包括步階衰減、指數衰減和餘弦退火。
- [安全護欄（Guardrails）](/terms/guardrails.md): AI安全護欄是用於限制AI系統行為，確保其符合預期規範和倫理標準的機制，防止產生有害或不當的輸出。
- [完形填空任務（Cloze Task）](/terms/cloze-task.md): 完形填空任務是一種語言理解測試，透過移除文本中的部分詞彙，要求模型或人類填補缺失部分，以評估其對上下文的理解能力。
- [容器化技術（Containerization）](/terms/containerization.md): 容器化技術是一種將應用程式及其所有依賴項打包到一個可移植容器中的技術，實現跨環境一致的部署。
- [密度分群（Density-Based Spatial Clustering）](/terms/density-based-spatial-clustering.md): 密度分群是一種基於資料分布密度的分群方法，它能找出任意形狀的群集，並自動識別出噪訊
- [密集連接網路（DenseNet）](/terms/densenet.md): DenseNet是一種深度學習模型，透過密集連接每一層到所有後續層，最大化層之間的資訊流動，增強特徵重用，減少梯度消失問題。
- [實體鏈接（Entity Linking）](/terms/entity-linking.md): 實體鏈接是將文本中的實體提及項，連結到知識庫中對應實體的過程，以消除歧義並豐富文本的語義資訊。
- [專家混合模型（Mixture of Experts）](/terms/mixture-of-experts.md): 專家混合模型是一種機器學習技術，透過結合多個獨立的「專家」模型，針對不同輸入選擇性地激活特定專家，以提升模型整體效能。
- [對抗性攻擊（Adversarial Attack）](/terms/adversarial-attack.md): 對抗性攻擊是指通過對輸入數據進行微小且不易察覺的修改，使AI模型產生錯誤輸出的攻擊方式，用於測試模型的魯棒性。
- [對抗性穩健（Adversarial Robustness）](/terms/adversarial-robustness.md): 對抗性穩健是指機器學習模型在面對惡意設計的對抗樣本時，仍能維持其預測準確性的能力，抵抗攻擊。
- [對數損失（Log Loss）](/terms/log-loss.md): 對數損失（Log Loss）是交叉熵損失在二元分類問題中的特殊形式，衡量模型預測機率與真實標籤之間的差異，數值越小代表模型表現越好。
- [對比學習（Contrastive Learning）](/terms/contrastive-learning.md): 對比學習是一種自監督學習方法，通過學習區分相似和不相似的樣本，從而提取資料的有效表示，無需人工標註。
- [對比語言圖像預訓練（CLIP）](/terms/clip.md): CLIP (Contrastive Language-Image Pre-training) 是一種透過對比學習，將圖像與文字描述連結的模型，能進行零樣本圖像分類，無需針對特定任務重新訓練。
- [對話式人工智慧（Conversational AI）](/terms/conversational-ai.md): 對話式人工智慧是指能透過自然語言與人類進行互動的AI系統，例如聊天機器人或語音助理，旨在提供更自然、直觀的互動體驗。
- [對話系統（Dialogue System）](/terms/dialogue-system.md): 對話系統是一種能與人類進行自然語言互動的AI系統，目標是理解使用者意圖並提供適當的回應，完成特定任務或提供資訊。
- [對齊校準（Alignment）](/terms/alignment.md): 對齊校準是指使AI模型，特別是大型語言模型，的行為與人類意圖、價值觀和倫理規範相符的過程，降低潛在風險。
- [少樣本學習（Few-shot Learning）](/terms/few-shot-learning.md): 少樣本學習讓模型僅憑少數標記範例即可泛化至新任務，突破傳統機器學習對大量訓練資料的依賴
- [層歸一化（Layer Normalization）](/terms/layer-normalization.md): 層歸一化是一種神經網路正規化技術，它在每個層級對所有神經元的激活值進行歸一化，以加速訓練並提高泛化能力。
- [嵌入表示（Embedding）](/terms/embedding.md): 嵌入表示將離散的文字或類別映射為連續稠密向量，讓模型能捕捉語義相似性並進行數學運算
- [工作流程自動化（Workflow Automation）](/terms/workflow-automation.md): 工作流程自動化是指利用技術自動執行重複性、基於規則的任務和流程，以提高效率、減少錯誤並釋放人力資源。
- [工具使用能力（Tool Use）](/terms/tool-use.md): 工具使用能力是指大型語言模型利用外部工具（例如API、資料庫）來擴展其功能，完成更複雜任務的能力。
- [差分整合移動平均（ARIMA）](/terms/arima.md): ARIMA是一種廣泛使用的時間序列預測模型，結合了自迴歸、差分和移動平均三個部分，用於分析和預測時間序列資料。
- [差分隱私（Differential Privacy）](/terms/differential-privacy.md): 差分隱私是一種資料匿名化技術，透過在統計查詢結果中注入隨機噪音，在公開資料的同時保護個別資料點的隱私。
- [常態分佈（Normal Distribution）](/terms/normal-distribution.md): 常態分佈是一種連續機率分佈，其機率密度函數呈鐘形曲線，平均數、中位數和眾數相等，數據集中在平均值附近。
- [平均絕對誤差（Mean Absolute Error）](/terms/mean-absolute-error.md): 平均絕對誤差（MAE）是衡量預測值與實際值之間平均絕對差異的指標，數值越小代表模型預測越準確。
- [序列到序列模型（Seq2Seq）](/terms/seq2seq.md): Seq2Seq模型是一種將一個序列轉換為另一個序列的深度學習模型，廣泛應用於機器翻譯、文本摘要、語音辨識等任務。
- [弱監督學習（Weak Supervision）](/terms/weak-supervision.md): 弱監督學習利用不精確、不完整或帶有雜訊的標籤資料來訓練機器學習模型，降低對大量精確標註資料的依賴。
- [張量處理單元（TPU）](/terms/tpu.md): 張量處理單元（TPU）是Google專為加速機器學習工作負載而設計的客製化硬體加速器，尤其擅長處理張量運算，是深度學習的利器。
- [強化學習（Reinforcement Learning）](/terms/reinforcement-learning.md): 強化學習是一種讓 AI 透過與環境互動，從獎勵和懲罰中學習，進而找到最佳行動策略的方法
- [影像分割（Image Segmentation）](/terms/image-segmentation.md): 影像分割是一種電腦視覺技術，將影像劃分為多個區域或物件，以便分析或理解影像內容，常用於醫學影像分析、自動駕駛等。
- [後門攻擊（Backdoor Attack）](/terms/backdoor-attack.md): 後門攻擊是一種針對機器學習模型的惡意攻擊，攻擊者在模型中植入後門，使其在特定觸發條件下產生預設的錯誤輸出。
- [循環神經網路（Recurrent Neural Network）](/terms/recurrent-neural-network.md): 循環神經網路是一種具備「記憶」功能的神經網路，其能處理序列資料，並將前一步的輸出回饋至下一步
- [微調（Fine-tuning）](/terms/fine-tuning.md): 微調是在預訓練模型基礎上，以少量特定領域資料繼續訓練，使通用模型適應特定任務需求，提升性能。
- [思維鏈（Chain-of-Thought）](/terms/chain-of-thought.md): 思維鏈是一種讓大型語言模型逐步推理，而非直接給出答案，以提升複雜問題解答正確率的方法
- [思維鏈提示（Chain-of-Thought Prompting）](/terms/chain-of-thought-prompting.md): 思維鏈提示是一種Prompt工程技術，透過引導模型逐步推理，提升複雜問題的解答品質與可解釋性。
- [情感分析（Sentiment Analysis）](/terms/sentiment-analysis.md): 情感分析是一種自然語言處理技術，用於識別和提取文本中的主觀情感，例如正面、負面或中性情緒，應用於輿情監控、客戶回饋分析等。
- [惡意軟體偵測（Malware Detection）](/terms/malware-detection.md): 惡意軟體偵測是利用AI技術識別並阻止惡意軟體感染系統的過程，旨在保護電腦、網路和資料免受損害。
- [意圖分類（Intent Classification）](/terms/intent-classification.md): 意圖分類是自然語言處理中的一項任務，旨在將一段文字（例如使用者查詢）分類到預定義的意圖類別中，以理解使用者的目的。
- [感知器（Perceptron）](/terms/perceptron.md): 感知器是最簡單的神經網路模型，模擬生物神經元，接收輸入、加權求和、通過激活函數輸出，用於二元分類。
- [憲法式AI原則（Constitutional AI Principles）](/terms/constitutional-ai-principles.md): 憲法式AI原則是一種透過明確的價值觀或「憲法」來引導AI系統行為的方法，旨在確保AI的輸出符合人類的期望和倫理標準。
- [成員推斷攻擊（Membership Inference Attack）](/terms/membership-inference-attack.md): 成員推斷攻擊旨在判斷特定資料點是否曾被用於訓練機器學習模型。攻擊者利用模型輸出來推斷訓練資料的成員關係，可能洩漏隱私資訊。
- [成本效益分析（Cost-Benefit Analysis）](/terms/cost-benefit-analysis.md): 成本效益分析是評估 AI 專案投資回報的方法，計算直接節省成本加上間接效益後，扣除導入與維運成本，以判斷專案是否值得執行
- [批次大小（Batch Size）](/terms/batch-size.md): 批次大小是訓練時每次更新模型參數所使用的樣本數，直接影響訓練速度、記憶體用量與模型收斂穩定性
- [批次推論（Batch Inference）](/terms/batch-inference.md): 批次推論是指將大量資料一次性輸入模型進行預測，適用於對延遲不敏感的場景，例如定期報表生成或離線資料分析。
- [批次正規化（Batch Normalization）](/terms/batch-normalization.md): 批次正規化是一種標準化技巧，針對每層網路的輸入進行調整，使訓練過程更穩定，並允許使用較大的學習率
- [投資組合最佳化（Portfolio Optimization）](/terms/portfolio-optimization.md): 投資組合最佳化利用數學模型，在給定的風險承受度下，尋求最大化投資回報或在給定的回報目標下，最小化投資風險。
- [拉格朗日乘數（Lagrange Multiplier）](/terms/lagrange-multiplier.md): 拉格朗日乘數是一種尋找約束條件下函數極值的方法。它引入拉格朗日函數，將約束條件納入目標函數，從而將約束優化問題轉化為無約束優化問題。
- [持續學習（Continual Learning）](/terms/continual-learning.md): 持續學習旨在使AI模型能夠在不遺忘先前知識的情況下，逐步學習新的任務和資料，模擬人類終身學習的能力。
- [指代消解（Anaphora Resolution）](/terms/anaphora-resolution.md): 指代消解是自然語言處理中的一項任務，旨在確定文本中代詞或其他指稱語所指代的先行詞，以理解文本的完整含義。
- [指令微調（Instruction Tuning）](/terms/instruction-tuning.md): 指令微調是一種利用特定格式指令資料集，微調預訓練語言模型，使其更精確理解並執行人類指令的技術。
- [指數平滑法（Exponential Smoothing）](/terms/exponential-smoothing.md): 指數平滑法是一系列時序預測方法，使用加權平均數，其中權重隨著時間的推移呈指數衰減，更重視近期觀測值。
- [探索與利用（Exploration vs Exploitation）](/terms/exploration-vs-exploitation.md): 探索與利用是強化學習中的權衡，探索是指嘗試新動作以發現潛在的更好策略，利用是指使用已知最佳策略以獲得最大獎勵。
- [控制網路（ControlNet）](/terms/controlnet.md): ControlNet 是一種神經網路結構，用於控制大型擴散模型，例如 Stable Diffusion，以實現更精確的圖像生成控制，例如基於草圖或邊緣圖生成圖像。
- [推測解碼（Speculative Decoding）](/terms/speculative-decoding.md): 推測解碼是一種加速大型語言模型推論速度的技術，透過小型模型預測多個token，再由大型模型驗證，減少計算量。
- [推理能力（Reasoning）](/terms/reasoning.md): 推理能力是指AI系統基於已知資訊和規則，進行邏輯推導，得出結論或解決問題的能力。是AI模擬人類智慧的關鍵組成部分。
- [推薦系統（Recommender System）](/terms/recommender-system.md): 推薦系統是一種利用演算法預測使用者對物品偏好的資訊過濾系統，旨在幫助使用者發現感興趣的內容，並提升平台互動與銷售。
- [推論（Inference）](/terms/inference.md): 推論是指利用已訓練好的機器學習模型，對新的、未曾見過的資料進行預測或判斷的過程。是模型部署後的核心環節。
- [推論最佳化（Inference Optimization）](/terms/inference-optimization.md): 推論最佳化旨在提升已訓練模型的推論速度、降低資源消耗，使其更有效率地部署於實際應用中。
- [描述性統計（Descriptive Statistics）](/terms/descriptive-statistics.md): 描述性統計使用數值摘要（平均數、中位數、標準差等）和圖表來描述資料集的集中趨勢、離散程度與分佈型態，是資料分析的第一步
- [提前終止（Early Stopping）](/terms/early-stopping.md): 提前終止是一種機器學習訓練技巧，藉由監控驗證損失，在模型過度擬合前及早停止訓練，以提高泛化能力。
- [提升算法（Boosting）](/terms/boosting.md): Boosting 是一種集成學習技術，透過迭代訓練一系列弱學習器，每個學習器都試圖糾正前一個學習器的錯誤，最終將它們組合起來形成一個強學習器。
- [提取式摘要技術（Extractive Summarization）](/terms/extractive-summarization.md): 提取式摘要技術從原文中選擇重要句子組成摘要，簡單直接，易於實現，但可能缺乏連貫性，且無法進行語義概括。
- [提示工程（Prompt Engineering）](/terms/prompt-engineering.md): 提示工程是設計與優化輸入給 AI 模型的指令，以引導模型產生更準確、符合需求的回應
- [提示詞注入（Prompt Injection）](/terms/prompt-injection.md): 提示詞注入是一種安全漏洞，攻擊者通過惡意設計的提示詞操控大型語言模型的行為，使其忽略或違反原始指令。
- [損失函數（Loss Function）](/terms/loss-function.md): 損失函數衡量模型預測與實際值之間的差異，數值越小代表模型預測越準確，是模型訓練中優化目標的關鍵組成部分。
- [摘要生成技術（Abstractive Summarization）](/terms/abstractive-summarization.md): 摘要生成技術利用AI理解原文，並以新的句子和詞彙生成摘要，更接近人類的摘要方式，但實現難度較高。
- [擴散模型（Diffusion Model）](/terms/diffusion-model.md): 擴散模型是一種生成模型，透過逐步將雜訊還原成清晰圖像，達成從隨機雜訊生成資料的目的
- [支持向量機（Support Vector Machine）](/terms/support-vector-machine.md): 支持向量機是一種機器學習模型，透過尋找最大邊界的超平面，將不同類別的資料有效分隔
- [放射醫學AI（Radiology AI）](/terms/radiology-ai.md): 放射醫學AI利用人工智慧技術分析醫學影像，輔助醫生診斷疾病，提高診斷效率和準確性，並減少人為錯誤。
- [啟發網路（Inception Network）](/terms/inception-network.md): Inception Network 是一種深度卷積神經網路架構，旨在透過並行使用多種卷積核大小，捕捉不同尺度的特徵，提升模型效能。
- [數位分身（Digital Twin）](/terms/digital-twin.md): 數位分身是真實世界實體或系統的虛擬化身，通過收集數據進行模擬、監控和預測，以優化性能、預防故障和做出更明智的決策。
- [文字生成3D模型（Text-to-3D）](/terms/text-to-3d.md): 文字生成3D模型是指利用人工智慧技術，將文字描述轉換為對應的3D模型，實現從文字到視覺化模型的自動生成。
- [文字生成圖像（Text-to-Image）](/terms/text-to-image.md): 文字生成圖像是一種人工智慧技術，它能根據文字描述自動生成對應的圖像，實現文字內容的視覺化呈現。
- [文字生成影片（Text-to-Video）](/terms/text-to-video.md): 文字生成影片是一種人工智慧技術，它能根據文字描述自動生成對應的影片，將文字內容轉化為動態視覺呈現。
- [文字轉語音（Text-to-Speech）](/terms/text-to-speech.md): 文字轉語音 (TTS) 技術將文字轉換為人類可理解的語音。它廣泛應用於輔助工具、語音助手和內容創作等領域。
- [文字轉語音（Text-to-Audio）](/terms/text-to-audio.md): 文字轉語音（TTS）是一種人工智慧技術，能將書面文字精準地轉換為自然流暢且富有表現力的人類語音，廣泛應用於語音助理、有聲書和無障礙輔助等領域。
- [文本分類（Text Classification）](/terms/text-classification.md): 文本分類是自然語言處理中的一項任務，旨在將文本自動分配到預定義的類別中。它應用廣泛，例如垃圾郵件檢測、情感分析等。
- [文本到文本（T5）](/terms/t5.md): T5 (Text-to-Text Transfer Transformer) 是一種將所有 NLP 任務轉換為文本到文本格式的轉換器模型，簡化了模型訓練和應用。
- [文本摘要（Text Summarization）](/terms/text-summarization.md): 文本摘要是自然語言處理中的一項任務，旨在從一篇或多篇文章中生成簡潔且信息豐富的摘要。分為抽取式和生成式兩種方法。
- [時序差分學習（Temporal Difference Learning）](/terms/temporal-difference-learning.md): 時序差分學習是一種強化學習方法，透過預測未來獎勵並更新預測值，從不完整的序列中學習，無需等待完整結果。
- [時間序列分析（Time Series Analysis）](/terms/time-series-analysis.md): 時間序列分析是研究按時間順序排列的數據點序列，以識別模式、趨勢和週期性，並預測未來值。
- [曼巴模型（Mamba）](/terms/mamba.md): Mamba是一種基於選擇機制的序列模型，旨在解決Transformer在長序列建模上的效率瓶頸，透過硬體感知演算法提升運算速度。
- [期望最大化算法（Expectation Maximization）](/terms/expectation-maximization.md): 期望最大化 (EM) 算法是一種迭代算法，用於在存在隱變量的情況下，估計機率模型的參數。它交替執行期望 (E) 步驟和最大化 (M) 步驟。
- [本體論（Ontology）](/terms/ontology.md): 本體論是明確指定領域概念及其關係的正式表示，用於知識共享和推理，是知識圖譜的基礎。
- [梅爾頻譜圖（Mel Spectrogram）](/terms/mel-spectrogram.md): 梅爾頻譜圖是一種音訊訊號的視覺表示，它將音訊的頻率轉換到梅爾尺度上，更符合人類聽覺感知，常用於語音辨識和音訊分析。
- [梯度下降（Gradient Descent）](/terms/gradient-descent.md): 梯度下降是一種透過反覆運算，沿損失函數的梯度方向，逐步逼近損失函數最小值的演算法
- [梯度加權類激活圖（Grad-CAM）](/terms/grad-cam.md): Grad-CAM是一種可視化技術，利用梯度資訊來突出顯示輸入圖像中對模型預測最重要的區域，提供模型決策的可解釋性。
- [梯度提升法（Gradient Boosting）](/terms/gradient-boosting.md): 梯度提升法是一種機器學習技術，透過迭代地組合弱學習器（通常是決策樹）來建立強大的預測模型，每次迭代都專注於修正前一個模型的錯誤。
- [梯度消失（Vanishing Gradient）](/terms/vanishing-gradient.md): 梯度消失是指在深度學習模型訓練中，梯度在反向傳播時逐漸縮小至接近於零，導致淺層網路權重難以更新，模型學習停滯。
- [梯度爆炸（Exploding Gradient）](/terms/exploding-gradient.md): 梯度爆炸是指在深度學習模型訓練中，梯度在反向傳播時變得異常巨大，導致權重更新過大，模型訓練不穩定甚至崩潰。
- [梯度裁剪（Gradient Clipping）](/terms/gradient-clipping.md): 梯度裁剪是一種防止梯度爆炸問題的技術，通過限制梯度的大小，確保訓練過程的穩定性，避免模型參數更新過大。
- [極端梯度提升（eXtreme Gradient Boosting）](/terms/extreme-gradient-boosting.md): GBDT 的進化版，加入正則化防過擬合，支援缺失值和並行化，是比賽和業界的常勝軍
- [概念漂移（Concept Drift）](/terms/concept-drift.md): 概念漂移是指機器學習模型在部署後，由於資料分佈隨時間變化，導致模型預測準確度下降的現象。需要持續監控並重新訓練模型。
- [概念瓶頸模型（Concept Bottleneck Model）](/terms/concept-bottleneck-model.md): 概念瓶頸模型是一種深度學習模型，它強制模型通過人類可理解的概念來進行預測，從而提高模型的可解釋性和可控性。
- [槽位填充（Slot Filling）](/terms/slot-filling.md): 槽位填充是自然語言理解中的一項任務，旨在從文本中提取特定資訊，並將其填入預定義的槽位中，以形成結構化資料。
- [標籤編碼（Label Encoding）](/terms/label-encoding.md): 標籤編碼是將類別型資料轉換為整數，以便機器學習模型處理，但需注意可能產生不必要的順序關係
- [標籤雜訊（Label Noise）](/terms/label-noise.md): 標籤雜訊是指訓練資料集中不正確或錯誤的標籤。這些錯誤標籤會降低模型效能，導致模型學習到錯誤的模式。
- [標註者一致性（Inter-annotator Agreement）](/terms/inter-annotator-agreement.md): 標註者一致性衡量多位標註者在相同資料上標註結果的相似程度。高一致性代表標註品質良好，反之則可能需要重新評估標註規範。
- [模型剪枝（Pruning）](/terms/pruning.md): 模型剪枝是一種減少模型大小和計算複雜度的技術，透過移除模型中不重要的權重或神經元來實現。
- [模型即服務（Model as a Service）](/terms/model-as-a-service.md): 模型即服務(MaaS)是一種雲端運算服務，提供預先訓練好的機器學習模型，讓使用者透過API存取並應用於各種任務，無需自行訓練模型。
- [模型參數（Parameters）](/terms/parameters.md): 模型參數是機器學習模型在訓練過程中學習到的數值，用於決定模型如何對輸入資料進行轉換和預測。它們是模型的內部變數。
- [模型反演攻擊（Model Inversion Attack）](/terms/model-inversion-attack.md): 模型反演攻擊是一種試圖從機器學習模型中恢復訓練數據或敏感資訊的攻擊方式，藉此洩漏隱私。
- [模型壓縮（Model Compression）](/terms/model-compression.md): 模型壓縮是指減少機器學習模型大小和計算複雜度的技術，以便在資源有限的設備上部署，同時保持模型性能。
- [模型平行化（Model Parallelism）](/terms/model-parallelism.md): 模型平行化是一種將大型模型分割到多個裝置上進行訓練或推論的技術，以克服單一裝置的記憶體限制。
- [模型快取（Model Caching）](/terms/model-caching.md): 模型快取是一種將已訓練的模型儲存在記憶體或快速儲存裝置中，以加速模型載入和推論的技術。
- [模型服務化（Model Serving）](/terms/model-serving.md): 模型服務化是指將訓練好的機器學習模型部署到生產環境，使其能夠接收請求並返回預測結果的過程。
- [模型版本控制（Model Versioning）](/terms/model-versioning.md): 模型版本控制是追蹤和管理機器學習模型不同迭代的過程，確保可重複性、可追溯性和協作。
- [模型登錄庫（Model Registry）](/terms/model-registry.md): 模型登錄庫是集中管理 AI 模型版本、追蹤訓練紀錄與部署狀態的系統，如同模型的戶籍系統
- [模型監控（Model Monitoring）](/terms/model-monitoring.md): 模型監控是持續追蹤機器學習模型在生產環境中的效能和行為，以確保其準確性、可靠性和公平性。及時發現並解決問題。
- [模型部署（Model Deployment）](/terms/model-deployment.md): 模型部署是指將訓練完成的機器學習模型整合到實際應用環境中，使其能夠接收輸入數據並產生預測結果，為業務決策提供支援。
- [模型量化（Quantization）](/terms/quantization.md): 模型量化是一種降低模型大小和加速推論的技術，透過減少模型權重和激活值的精度來實現。
- [模擬至實轉移（Sim-to-Real Transfer）](/terms/sim-to-real-transfer.md): 模擬至實轉移是一種將在模擬環境中訓練的模型應用到真實世界的方法，旨在克服模擬與現實之間的差異，提升模型泛化能力。
- [樸素貝氏（Naive Bayes）](/terms/naive-bayes.md): 樸素貝氏分類器是一種基於貝氏定理的簡單機率分類器。它假設所有特徵之間相互獨立，簡化了計算複雜度，因此得名「樸素」。常用於文本分類等任務。
- [機制性可解釋性（Mechanistic Interpretability）](/terms/mechanistic-interpretability.md): 機制性可解釋性旨在理解AI模型內部運作的具體機制，如同理解程式碼般，而非僅僅觀察輸入輸出關係。
- [機器人學（Robotics）](/terms/robotics.md): 機器人學是設計、建造、操作和應用機器人的科學和工程學科，涉及機械工程、電子工程、電腦科學等多個領域。
- [機器人流程自動化（Robotic Process Automation）](/terms/robotic-process-automation.md): RPA（機器人流程自動化）用軟體機器人模擬人類操作電腦，自動執行重複性業務流程，廣泛應用於金融對帳、訂單處理、HR 入職等高量重複性作業。
- [機器人理財顧問（Robo-Advisor）](/terms/robo-advisor.md): 機器人理財顧問是一種使用演算法和人工智慧來提供自動化投資建議和管理服務的平台，旨在降低投資門檻和成本。
- [機器學習（Machine Learning）](/terms/machine-learning.md): 機器學習讓電腦透過分析大量資料自動找出規律，無需明確程式指令即可完成預測與分類任務
- [機器學習管線（ML Pipeline）](/terms/ml-pipeline.md): 機器學習管線是自動化機器學習工作流程的步驟序列，包括資料準備、模型訓練、評估和部署。
- [機器學習維運（MLOps）](/terms/mlops.md): MLOps 是一種將機器學習模型開發與部署流程標準化的方法，旨在加速模型迭代、提高可靠性並簡化維護。
- [機器學習維運（Machine Learning Operations）](/terms/machine-learning-operations.md): 把 DevOps 的實踐應用到 ML 系統上，自動化模型的訓練、部署、監控全生命週期
- [機器翻譯（Machine Translation）](/terms/machine-translation.md): 機器翻譯是利用電腦程式自動將文字或語音從一種語言轉換成另一種語言的技術，旨在打破語言障礙，促進跨文化交流。
- [機率分佈（Probability Distribution）](/terms/probability-distribution.md): 機率分佈描述了隨機變數所有可能取值及其對應的機率。它可以是離散的（例如二項分佈）或連續的（例如常態分佈）。
- [檢索增強微調（Retrieval-Augmented Fine-tuning）](/terms/retrieval-augmented-fine-tuning.md): 檢索增強微調結合了檢索式和生成式模型的優勢，透過檢索相關資訊來增強微調過程，提升模型在特定任務上的效能。
- [檢索增強生成（Retrieval-Augmented Generation）](/terms/retrieval-augmented-generation.md): RAG（檢索增強生成）讓 AI 回答問題前先查詢外部知識庫，再結合查到的資料生成答案，大幅減少幻覺、提升回答準確性。
- [欠擬合（Underfitting）](/terms/underfitting.md): 欠擬合指模型過於簡單，無法捕捉資料中的主要規律，訓練集與測試集的預測表現皆不理想
- [次詞單元化（Subword Tokenization）](/terms/subword-tokenization.md): 次詞單元化是將單詞拆分為更小的子單元（次詞）的技術，用於解決詞彙量過大和未登錄詞（OOV）問題，提升模型泛化能力。
- [歐盟通用資料保護規範（General Data Protection Regulation）](/terms/general-data-protection-regulation.md): 歐盟通用資料保護規範是保障歐盟公民個人資料控制權的法規，對違規企業處以高額罰款，影響全球企業。
- [正則化（Regularization）](/terms/regularization.md): 正則化是一種在機器學習中用於防止模型過度擬合的關鍵技術，它透過在損失函數中引入懲罰項，有效限制模型參數的複雜度，從而提升模型的泛化能力。
- [正規化（Normalization）](/terms/normalization.md): 正規化是一種資料前處理技術，將資料縮放到一個單位範數，例如L1或L2範數，使每個樣本的向量長度為1。
- [殘差網路（ResNet）](/terms/resnet.md): ResNet是一種深度學習模型，透過引入殘差連接解決深度神經網路訓練時的梯度消失問題，允許網路學習殘差映射而非直接映射。
- [殘差網路（Residual Network）](/terms/residual-network.md): 殘差網路 (ResNet) 是一種深度神經網路架構，透過引入殘差連接來解決深度網路的梯度消失問題，允許訓練非常深的網路。
- [決策樹（Decision Tree）](/terms/decision-tree.md): 決策樹是一種透過 if-else 條件判斷，將資料逐步拆解為更純粹子集的模型，具備高度可解釋性
- [泛化能力（Generalization）](/terms/generalization.md): 泛化能力是指機器學習模型在未見過的數據上表現良好的能力。一個具有良好泛化能力的模型能夠從訓練數據中學習到普遍規律，並應用於新數據。
- [波形網路（WaveNet）](/terms/wavenet.md): WaveNet是一種深度生成模型，直接對原始音訊波形進行建模，能夠生成高品質的語音和音樂，並在語音合成領域取得了顯著的成果。
- [注意力可視化（Attention Visualization）](/terms/attention-visualization.md): 注意力可視化是一種技術，用於呈現神經網路模型在處理輸入時，將注意力集中在哪些部分。它能幫助理解模型決策過程，並診斷潛在問題。
- [注意力機制（Attention Mechanism）](/terms/attention-mechanism.md): 注意力機制讓神經網路在處理序列資料時，動態分配不同位置的關注權重，提升長距離依賴的捕捉能力
- [流程協調（Orchestration）](/terms/orchestration.md): 流程協調是指自動化安排、協調和管理複雜的計算機系統、應用程式和服務的過程，以實現特定目標。
- [深度Q網路（Deep Q-Network）](/terms/deep-q-network.md): 深度Q網路（DQN）是一種結合深度學習與Q學習的強化學習演算法，利用深度神經網路逼近Q函數，解決高維度狀態空間的強化學習問題。
- [深度偽造（Deepfake）](/terms/deepfake.md): 深度偽造是利用深度學習技術合成的逼真音訊、圖像或影片，通常用於製造假新聞、詐騙或惡意中傷。
- [深度偽造偵測（Deepfake Detection）](/terms/deepfake-detection.md): 深度偽造偵測旨在辨識經由深度學習技術偽造或操縱的影音內容，以防止不實資訊傳播和維護資訊真實性。
- [深度協同過濾（Deep Collaborative Filtering）](/terms/deep-collaborative-filtering.md): 深度協同過濾結合深度學習與協同過濾，利用神經網路學習使用者和物品的隱藏表示，以提升推薦準確度，尤其在處理複雜互動模式時。
- [深度學習（Deep Learning）](/terms/deep-learning.md): 深度學習是一種機器學習方法，透過多層神經網路自動從原始資料中提取階層特徵，解決複雜問題。
- [深度強化學習（Deep Reinforcement Learning）](/terms/deep-reinforcement-learning.md): 深度強化學習結合深度學習與強化學習，透過深度神經網路學習複雜策略，以在特定環境中最大化累積獎勵。
- [深度混合（Mixture of Depths）](/terms/mixture-of-depths.md): 深度混合是一種模型架構，它結合了多個不同深度的子網路，以提升模型的表達能力和泛化能力，並允許模型根據輸入動態調整其深度。
- [混合搜尋（Hybrid Search）](/terms/hybrid-search.md): 混合搜尋結合了多種搜尋技術，例如關鍵字搜尋和語義搜尋，以提高搜尋結果的相關性和準確性，提供更全面的資訊。
- [混合精度訓練（Mixed Precision Training）](/terms/mixed-precision-training.md): 混合精度訓練是一種使用不同精度（如 FP16 和 FP32）的浮點數進行模型訓練的技術，旨在加速訓練過程並減少記憶體佔用。
- [測試時運算（Test-time Compute）](/terms/test-time-compute.md): 測試時運算是指在模型部署後，進行推論時所使用的運算資源。目標是在效能和延遲之間取得平衡，以滿足實際應用需求。
- [測試資料集（Test Set）](/terms/test-set.md): 測試資料集用於評估模型在未見過資料上的泛化能力，是模型效能的最終指標，在模型部署前使用。
- [湧現能力（Emergent Abilities）](/terms/emergent-abilities.md): 湧現能力是指大型語言模型在達到一定規模後，突然展現出在較小模型中未曾觀察到的複雜能力，例如推理、翻譯和程式碼生成。
- [準確率（Accuracy）](/terms/accuracy.md): 所有預測中正確的比例 = (TP+TN)/(全部)。類別不平衡時容易被多數類主導
- [演員-評論家（Actor-Critic）](/terms/actor-critic.md): 演員-評論家是一種強化學習演算法，結合了策略梯度（演員）和時序差分學習（評論家）的優點，以實現更穩定的學習。
- [演算法（Algorithm）](/terms/algorithm.md): 演算法是一組定義明確的指令，用於解決特定問題或執行特定任務。它接收輸入，經過一系列步驟處理，並產生輸出。
- [演算法交易（Algorithmic Trading）](/terms/algorithmic-trading.md): 演算法交易是指利用電腦程式自動執行交易指令，根據預先設定的規則和模型，在金融市場上進行買賣操作。
- [演算法偏見（Algorithmic Bias）](/terms/algorithmic-bias.md): 演算法偏見是指 AI 模型因訓練資料或設計缺陷而產生對特定族群不公平的預測結果，是 AI 治理與負責任 AI 的核心議題
- [潛在擴散模型（Latent Diffusion Model）](/terms/latent-diffusion-model.md): 潛在擴散模型(LDM)是一種生成式AI模型，透過在潛在空間中進行擴散和逆擴散過程，生成高解析度、高品質的圖像或其他資料。
- [潛在空間（Latent Space）](/terms/latent-space.md): 潛在空間是機器學習模型學習到的高維資料的壓縮表示，它捕捉了資料的底層結構和關係，並將其映射到一個低維空間。
- [無伺服器機器學習（Serverless ML）](/terms/serverless-ml.md): 無伺服器機器學習是一種雲端運算模型，允許開發者在無需管理伺服器的情況下構建、訓練和部署機器學習模型，按實際使用量付費。
- [無程式碼（No Code）](/terms/no-code.md): 無程式碼是一種開發平台，讓使用者無需編寫任何程式碼，也能建立應用程式或自動化流程
- [焦點損失函數（Focal Loss）](/terms/focal-loss.md): 焦點損失函數 (Focal Loss) 是一種用於解決物件偵測中類別不平衡問題的損失函數，它通過降低易分類樣本的權重，使模型更關注難分類樣本。
- [熵（Entropy）](/terms/entropy.md): 熵是資訊理論中衡量隨機變數不確定性的指標，數值越高代表不確定性越大。在機器學習中，熵常用於特徵選擇和決策樹構建。
- [物件偵測（Object Detection）](/terms/object-detection.md): 物件偵測是一種電腦視覺技術，用於識別影像或影片中特定物件的位置和類別，常用於自動駕駛、安全監控、零售分析等。
- [特徵值（Eigenvalue）](/terms/eigenvalue.md): 特徵值是線性變換作用於向量後，該向量長度縮放的比例。它描述了變換對特定方向向量的影響程度。
- [特徵儲存庫（Feature Store）](/terms/feature-store.md): 特徵儲存庫是一個集中管理和共享機器學習特徵的平台，確保特徵一致性、可重用性，並簡化特徵工程流程。
- [特徵向量（Eigenvector）](/terms/eigenvector.md): 特徵向量是指在線性變換下，方向保持不變或僅反向的非零向量。它對應於特定的特徵值，代表變換的主要作用方向。
- [特徵工程（Feature Engineering）](/terms/feature-engineering.md): 特徵工程透過創建、轉換與選擇原始資料的代表性特徵，顯著提升機器學習模型的預測效果
- [特徵擷取（Feature Extraction）](/terms/feature-extraction.md): 特徵擷取是從原始資料中自動識別並提取有意義的特徵表示的過程，目的是降低資料維度同時保留關鍵資訊，提升模型學習效率
- [特徵縮放（Feature Scaling）](/terms/feature-scaling.md): 特徵縮放是一種資料前處理技術，用於將不同範圍的特徵值縮放到一個統一的範圍內，避免某些特徵主導模型訓練。
- [特徵選擇法（Feature Selection）](/terms/feature-selection.md): 特徵選擇是機器學習中選擇最相關特徵子集的過程，旨在簡化模型、提高準確性、減少過擬合和提升模型的可解釋性。
- [特徵金字塔網路（Feature Pyramid Network）](/terms/feature-pyramid-network.md): 特徵金字塔網路(FPN)是一種用於目標檢測的深度學習架構，旨在從不同尺度的特徵圖中提取豐富的語義信息，以提升小目標的檢測性能。
- [狀態機模型（State Machine）](/terms/state-machine.md): 狀態機模型是一種計算模型，系統在任何給定時間都處於有限數量的狀態之一，並根據輸入在狀態之間轉換。
- [狀態空間模型（State Space Model）](/terms/state-space-model.md): 狀態空間模型是一種數學模型，用於描述系統隨時間演變的狀態。它包含狀態方程和觀測方程，廣泛應用於控制、預測和訊號處理。
- [獎勵函數（Reward Function）](/terms/reward-function.md): 獎勵函數是強化學習中定義代理在特定狀態下採取特定動作後獲得的獎勵的函數，用於引導代理學習期望行為。
- [獎勵建模（Reward Modeling）](/terms/reward-modeling.md): 獎勵建模是訓練AI模型以預測人類對不同結果的偏好，用於強化學習中，引導模型學習符合人類價值的行為。
- [獨熱編碼（One-hot Encoding）](/terms/one-hot-encoding.md): 獨熱編碼是一種將類別資料轉換為二元向量的方法，為每個類別建立獨立欄位，存在時標記為 1，其餘為 0
- [環狀注意力（Ring Attention）](/terms/ring-attention.md): 環狀注意力是一種分散式注意力機制，將注意力計算分散到多個設備上，減少單一設備的記憶體需求，適用於超大型模型。
- [生成對抗網路（Generative Adversarial Network）](/terms/generative-adversarial-network.md): 生成對抗網路是一種透過生成器與鑑別器互相對抗學習，最終使生成器能產出逼真資料的深度學習模型
- [生成式 AI（Generative AI）](/terms/generative-ai.md): 生成式 AI 是能夠產生新內容（文字、圖像、音訊、程式碼等）的人工智慧系統，基於學習大量訓練資料的分佈特徵來生成符合語境的輸出
- [生成式預訓練模型（GPT）](/terms/gpt.md): GPT是一種基於Transformer架構的大型語言模型，透過預訓練學習大量文本資料，用於生成文本、翻譯語言、回答問題等。
- [生成式預訓練轉換器（Generative Pre-trained Transformer）](/terms/generative-pre-trained-transformer.md): OpenAI 的自回歸語言模型，一個字接一個字生成文本，只使用 Decoder 架構
- [異常偵測（Anomaly Detection）](/terms/anomaly-detection.md): 異常偵測是指識別數據集中與預期模式顯著不同的數據點，這些異常點可能指示錯誤、欺詐或其他不尋常的事件。
- [病理學AI（Pathology AI）](/terms/pathology-ai.md): 病理學AI利用人工智慧分析組織切片影像，輔助病理醫生診斷癌症、感染等疾病，提升診斷效率和客觀性。
- [監督式學習（Supervised Learning）](/terms/supervised-learning.md): 監督式學習是一種 AI 方法，透過提供帶有正確標籤的輸入資料，訓練模型學習預測新資料的標籤
- [目標函數（Objective Function）](/terms/objective-function.md): 目標函數是機器學習模型訓練中用於評估模型表現的函數，其數值代表模型預測與實際值的差距，優化目標是最小化或最大化此函數。
- [直接偏好優化（Direct Preference Optimization）](/terms/direct-preference-optimization.md): 直接偏好優化（DPO）是一種直接利用人類偏好資料，優化語言模型，無需訓練獎勵模型的強化學習替代方案。
- [相關係數（Correlation）](/terms/correlation.md): 相關係數衡量兩個變數之間線性關係的強度和方向，範圍從 -1 到 1。1 表示完全正相關，-1 表示完全負相關，0 表示沒有線性關係。
- [知識庫（Knowledge Base）](/terms/knowledge-base.md): 知識庫是儲存結構化和非結構化知識的中央儲存庫，用於支援決策、自動化任務和提供資訊。
- [知識蒸餾（Knowledge Distillation）](/terms/knowledge-distillation.md): 知識蒸餾是一種模型壓縮技術，透過讓小模型模仿大模型的輸出，使其在保有精準度的同時，大幅縮減模型體積
- [矩陣分解（Matrix Factorization）](/terms/matrix-factorization.md): 矩陣分解是一種將矩陣分解為兩個或多個矩陣乘積的技術，常應用於推薦系統，以預測用戶對未評分項目的偏好。
- [矩陣分解推薦（Matrix Factorization for Recommendations）](/terms/matrix-factorization-for-recommendations.md): 矩陣分解推薦是一種推薦系統技術，它將用戶-項目互動矩陣分解為兩個低維矩陣，分別代表用戶和項目的隱含特徵，用於預測用戶對未互動項目的偏好。
- [神經架構搜尋（Neural Architecture Search）](/terms/neural-architecture-search.md): 神經架構搜尋(NAS)是一種自動化設計神經網路架構的技術，旨在尋找在特定任務上表現最佳的模型結構，無需人工手動設計。
- [神經符號人工智慧（Neuro-symbolic AI）](/terms/neuro-symbolic-ai.md): 神經符號人工智慧結合了神經網路的學習能力和符號AI的推理能力，旨在克服各自的局限性，實現更強大、更可靠的AI系統。
- [神經網路（Neural Network）](/terms/neural-network.md): 神經網路是模仿人類大腦神經元結構的機器學習模型，由多層節點（神經元）組成，透過加權求和與激活函數學習複雜的非線性關係
- [神經輻射場景（Neural Radiance Fields）](/terms/neural-radiance-fields.md): 神經輻射場景（NeRF）是一種使用神經網路表示3D場景的新穎方法，它通過學習場景的體積密度和顏色來實現逼真的渲染。
- [視覺問答（Visual Question Answering）](/terms/visual-question-answering.md): 視覺問答（VQA）是一種人工智慧任務，要求模型根據給定的圖像回答自然語言問題，結合了電腦視覺和自然語言處理。
- [視覺語言模型（Vision-Language Model）](/terms/vision-language-model.md): 視覺語言模型結合電腦視覺與自然語言處理，使機器能理解並生成圖像與文字之間的關聯，應用廣泛，例如圖像描述生成和視覺問答。
- [視覺變換器（Vision Transformer）](/terms/vision-transformer.md): Vision Transformer (ViT) 是一種將 Transformer 架構應用於圖像識別的深度學習模型，它將圖像分割成小塊，並將其視為序列進行處理。
- [移動網路（MobileNet）](/terms/mobilenet.md): MobileNet是一種針對移動和嵌入式設備設計的輕量級深度神經網路架構，旨在實現高效的資源利用和快速的推論速度。
- [稀疏檢索（Sparse Retrieval）](/terms/sparse-retrieval.md): 稀疏檢索是一種資訊檢索方法，它使用稀疏向量來表示查詢和文檔，向量中的非零元素通常表示詞彙的存在或重要性。
- [稀疏注意力機制（Sparse Attention）](/terms/sparse-attention.md): 稀疏注意力機制是一種減少注意力機制計算複雜度的技術，透過只關注輸入序列中的部分元素，降低運算量，提升模型效率。
- [程式化標註（Programmatic Labeling）](/terms/programmatic-labeling.md): 程式化標註是一種利用程式碼（例如，規則、啟發式方法或外部知識庫）自動生成訓練資料標籤的技術，以加速模型開發。
- [程式碼副駕駛（Copilot）](/terms/copilot.md): Copilot 是一個 AI 程式碼助手，透過分析程式碼上下文，提供程式碼建議、自動完成和程式碼生成，提升開發效率。
- [程式碼生成（Code Generation）](/terms/code-generation.md): 程式碼生成是指利用人工智慧模型，自動產生程式碼片段或完整程式的技術，旨在提高開發效率並降低編碼錯誤。
- [稠密檢索模型（Dense Retrieval）](/terms/dense-retrieval.md): 稠密檢索模型使用神經網路將查詢和文檔嵌入到一個低維向量空間中，通過計算向量相似度來檢索相關文檔，克服了傳統方法的詞彙不匹配問題。
- [穩健性（Robustness）](/terms/robustness.md): 穩健性是指模型在面對輸入數據的微小擾動、對抗性攻擊或分布偏移時，仍能維持其性能表現的能力。
- [穩定擴散（Stable Diffusion）](/terms/stable-diffusion.md): Stable Diffusion 是一種潛在擴散模型，用於根據文字描述生成高質量圖像，透過迭代去噪過程，從隨機噪聲中產生逼真圖像。
- [競價型訓練（Spot Instance Training）](/terms/spot-instance-training.md): 競價型訓練利用閒置的雲端運算資源，以大幅降低模型訓練成本，但可能因資源回收而中斷。
- [符記（Token）](/terms/token.md): 符記是大型語言模型處理文字時，不可分割的最小單位，它可以是一個字、詞，或者更小的子詞
- [策略梯度（Policy Gradient）](/terms/policy-gradient.md): 策略梯度是一種直接優化策略的強化學習方法，它通過計算策略梯度來更新策略參數，以最大化預期累積獎勵。
- [精確率（Precision）](/terms/precision.md): 精確率是模型預測為正例中真正為正例的比例，反映預測結果的準確度，與召回率形成取捨
- [系統提示詞（System Prompt）](/terms/system-prompt.md): 系統提示詞是用於引導大型語言模型行為的初始指令，影響模型的回應風格、知識範圍和任務執行方式。
- [紅隊演練（Red Teaming）](/terms/red-teaming.md): 紅隊演練是一種模擬攻擊的測試方法，通過模擬真實攻擊者的行為，評估AI系統的安全性，找出潛在的漏洞和弱點。
- [結構化資料（Structured Data）](/terms/structured-data.md): 結構化資料是指具有預定義格式和組織方式的資料，易於儲存、查詢和分析，例如關聯式資料庫中的表格。
- [綱要演進（Schema Evolution）](/terms/schema-evolution.md): 綱要演進是指資料庫或資料倉儲的綱要隨著時間推移而發生的變更，以及管理這些變更的過程，以確保資料的相容性和可用性。
- [網格搜尋（Grid Search）](/terms/grid-search.md): 網格搜尋是一種超參數調校方法，它窮舉超參數空間中所有可能的組合，並評估每個組合的模型效能。
- [網路釣魚偵測（Phishing Detection）](/terms/phishing-detection.md): 網路釣魚偵測是利用AI技術識別並阻止網路釣魚攻擊的過程，旨在保護用戶免受詐騙、身份盜竊和財務損失。
- [線上學習（Online Learning）](/terms/online-learning.md): 線上學習是一種機器學習方法，模型在接收到每個新資料點後立即更新，無需儲存所有資料或進行批次訓練，適用於資料流場景。
- [線性迴歸法（Linear Regression）](/terms/linear-regression.md): 線性迴歸法是一種統計方法，用於建立自變數和應變數之間的線性關係模型。目標是找到最佳擬合線，以預測應變數的值。
- [編碼器（Encoder）](/terms/encoder.md): 編碼器將輸入資料轉換為固定長度的向量表示，提取其語義特徵，以供解碼器或下游任務使用。
- [羊駝索引（LlamaIndex）](/terms/llamaindex.md): LlamaIndex是一個資料框架，用於連接大型語言模型（LLMs）與您的私有或特定領域的資料，簡化建立基於LLM的應用程式。
- [羊駝語言模型（LLaMA）](/terms/llama.md): LLaMA（Large Language Model Meta AI）是 Meta 開發的開源大型語言模型系列，讓研究者和開發者可免費使用、修改、在自己伺服器部署，是 GPT 系列的開源替代方案。
- [聊天機器人（Chatbot）](/terms/chatbot.md): 聊天機器人是一種能模擬人類對話的電腦程式，透過文字或語音與使用者互動，提供資訊、協助解決問題或執行特定任務。
- [聯邦學習（Federated Learning）](/terms/federated-learning.md): 聯邦學習是一種多方協作的機器學習方法，各方在本地訓練模型，僅共享模型更新，保護原始資料
- [聲音複製（Voice Cloning）](/terms/voice-cloning.md): 聲音複製是指使用人工智慧技術，基於少量語音樣本，生成與目標人物聲音高度相似的合成語音。
- [膠囊網路（Capsule Network）](/terms/capsule-network.md): 膠囊網路是一種神經網路架構，旨在解決卷積神經網路在處理物件方向和空間關係上的不足，透過膠囊和路由機制，更有效地捕捉物件的層次結構。
- [臨床自然語言處理（Clinical NLP）](/terms/clinical-nlp.md): 臨床自然語言處理 (Clinical NLP) 是一種利用自然語言處理技術，從醫療文本中提取、分析和理解資訊的AI應用，旨在改善醫療照護品質和效率。
- [自主系統（Autonomous System）](/terms/autonomous-system.md): 自主系統是指能在沒有外部干預下，感知環境、做出決策並執行動作的系統，具備一定程度的獨立性和適應性。
- [自助聚合（Bagging）](/terms/bagging.md): Bagging (Bootstrap Aggregating) 是一種集成學習技術，透過對原始資料集進行多次有放回的抽樣，訓練多個模型，並將它們的預測結果進行平均或投票。
- [自動擴展（Auto Scaling）](/terms/auto-scaling.md): 自動擴展根據系統負載自動調整計算資源，動態增加或減少伺服器數量，確保應用程式效能，同時優化成本。
- [自動特徵工程（Automated Feature Engineering）](/terms/automated-feature-engineering.md): 自動特徵工程利用演算法自動從原始資料中提取、選擇和轉換特徵，以提升機器學習模型的效能。
- [自動駕駛技術（Autonomous Driving）](/terms/autonomous-driving.md): 自動駕駛技術利用感測器、人工智慧和控制系統，使車輛能夠在沒有人為干預的情況下感知環境並自主導航。
- [自我對弈（Self-play）](/terms/self-play.md): 自我對弈是一種強化學習技術，其中智能體與自身的副本進行對弈，從而學習和改進策略，無需外部人類或標記數據。
- [自注意力（Self-Attention）](/terms/self-attention.md): 自注意力是一種機制，讓序列中的每個元素計算彼此關聯度，藉此捕捉序列內部的依賴關係
- [自然語言理解（Natural Language Understanding）](/terms/natural-language-understanding.md): 自然語言理解（NLU）是人工智慧的一個分支，旨在使電腦能夠理解和解釋人類語言的含義，從而執行相關任務。
- [自然語言生成（Natural Language Generation）](/terms/natural-language-generation.md): 自然語言生成（NLG）是將結構化資料轉換為人類可理解的自然語言文本的AI技術，廣泛應用於報告生成、聊天機器人等。
- [自然語言處理（Natural Language Processing）](/terms/natural-language-processing.md): 自然語言處理使電腦能理解、分析和生成人類語言，是 AI 語音助理與翻譯等應用的核心技術
- [自編碼器（Autoencoder）](/terms/autoencoder.md): 自編碼器是一種神經網路，旨在學習輸入數據的壓縮表示（編碼），然後從該壓縮表示重建原始數據（解碼）。
- [萃取、轉換、載入（Extract, Transform, Load）](/terms/extract-transform-load.md): 萃取、轉換、載入（ETL）是資料工程的核心流程，指從多個來源提取數據，經過清洗與格式轉換，最終載入至目標資料倉儲的過程
- [蒙地卡羅方法（Monte Carlo Method）](/terms/monte-carlo-method.md): 蒙地卡羅方法是一種利用隨機抽樣來估算數學問題解的計算技術。它通過大量模擬隨機事件，統計結果，從而得到近似解。
- [規則提取（Rule Extraction）](/terms/rule-extraction.md): 規則提取是從機器學習模型中提取人類可理解的規則的過程，旨在提高模型的可解釋性和可信度。
- [規劃（Planning）](/terms/planning.md): 在人工智慧中，規劃是指為達成特定目標，自動生成一系列行動步驟的過程。它涉及預測行動的結果，並選擇最佳的行動序列。
- [規模定律（Scaling Law）](/terms/scaling-law.md): 規模定律描述了模型性能如何隨著模型大小、訓練數據量和計算資源的增加而變化。它提供了一種預測模型性能的經驗關係。
- [解碼器（Decoder）](/terms/decoder.md): 解碼器是神經網路的一部分，負責將編碼器產生的抽象向量表示，轉換成人類可理解的目標輸出，如文字、圖片或語音。
- [訓練輪次（Epoch）](/terms/epoch.md): Epoch（訓練輪次）是模型完整遍歷一次訓練資料集的過程；訓練輪次數量影響模型效果，過多會造成過擬合，過少會導致欠擬合。
- [訓練集（Training Set）](/terms/training-set.md): 訓練集是用於訓練機器學習模型的資料集，模型通過學習訓練集中的模式和關係來提升預測能力。
- [詐欺偵測（Fraud Detection）](/terms/fraud-detection.md): AI 詐欺偵測（Fraud Detection）透過機器學習即時分析交易行為，識別異常模式，廣泛應用於銀行信用卡詐欺防範、網路詐騙偵測與保險理賠審核。
- [詞向量（Word2Vec）](/terms/word2vec.md): 詞向量（Word2Vec）是一種將詞語轉換為數字向量的技術，其核心概念是讓語意相近的詞彙在向量空間中的距離更接近
- [詞幹提取（Stemming）](/terms/stemming.md): 詞幹提取是自然語言處理中將單詞簡化為其詞幹或詞根形式的過程，通常通過刪除後綴來實現。
- [詞形還原（Lemmatization）](/terms/lemmatization.md): 詞形還原是自然語言處理中將單詞還原為其基本形式（詞元）的過程，考慮了單詞的語法和上下文。
- [詞性標注（Part-of-Speech Tagging）](/terms/part-of-speech-tagging.md): 詞性標注是自然語言處理中，為句子中的每個詞彙指定詞性的過程，例如名詞、動詞、形容詞等，是後續語法分析的基礎。
- [詞義消歧（Word Sense Disambiguation）](/terms/word-sense-disambiguation.md): 詞義消歧（WSD）是自然語言處理中的一項任務，旨在確定一個詞在特定上下文中的正確含義，因為許多詞具有多重含義。
- [詞袋模型（Bag of Words）](/terms/bag-of-words.md): 詞袋模型是一種簡化文本表示的方法，忽略詞語的順序和語法結構，僅統計每個詞語在文本中出現的次數，形成詞頻向量。
- [語句片段（SentencePiece）](/terms/sentencepiece.md): SentencePiece 是一種獨立於語言的分詞器，它將輸入視為 Unicode 字符序列，並使用 BPE 或 Unigram 算法生成詞彙表。
- [語意核心（Semantic Kernel）](/terms/semantic-kernel.md): Semantic Kernel是一個輕量級的開源SDK，使您可以將大型語言模型（LLMs）與傳統程式語言（如C#、Python）整合，建立AI應用。
- [語料庫（Corpus）](/terms/corpus.md): 語料庫是大量結構化的文本集合，用於語言研究和自然語言處理，提供真實語言使用的範例，用於訓練和評估模型。
- [語義分析（Semantic Analysis）](/terms/semantic-analysis.md): 語義分析旨在理解文本的真實含義，超越字面解釋，提取句子或段落的深層語義結構和關係，賦予機器理解語言的能力。
- [語義搜尋（Semantic Search）](/terms/semantic-search.md): 語義搜尋是一種理解使用者搜尋意圖和上下文的搜尋技術，超越了關鍵字匹配，旨在提供更相關和精確的搜尋結果。
- [語者分段（Speaker Diarization）](/terms/speaker-diarization.md): 語者分段旨在識別音訊中不同語者的發言時間段，並將其區分開來，無需事先知道語者身份。
- [語言模型（Language Model）](/terms/language-model.md): 語言模型是一種機器學習模型，用於預測給定文本序列中下一個詞彙或字符的概率分佈，是自然語言處理的基礎。
- [語音助理（Voice Assistant）](/terms/voice-assistant.md): 語音助理是一種使用語音辨識、自然語言處理等技術，讓人們透過語音指令與設備互動的AI系統。
- [語音合成技術（Speech Synthesis）](/terms/speech-synthesis.md): 語音合成技術是一種將文字轉換成人類語音的技術，也稱為文字轉語音（TTS）。它廣泛應用於語音助理、導航系統和輔助科技等領域。
- [語音轉錄模型（Whisper）](/terms/whisper.md): Whisper 是 OpenAI 開發的語音辨識系統，能將語音轉換為文字，支援多種語言，並具備良好的抗噪能力和翻譯功能。
- [語音辨識（Speech Recognition）](/terms/speech-recognition.md): 語音辨識是一種將人類語音轉換為機器可理解的文字或指令的技術，使電腦能夠聽懂並處理人類語言。
- [變分自編碼器（Variational Autoencoder）](/terms/variational-autoencoder.md): 變分自編碼器（VAE）是一種生成式深度學習模型，它將輸入資料壓縮成潛在空間中的機率分佈，並能從中採樣以生成多樣化且具代表性的新資料樣本。
- [變異數分析（ANOVA）](/terms/anova.md): 變異數分析 (ANOVA) 是一種統計方法，用於比較兩個或多個群體的平均數是否存在顯著差異。它將總變異分解為不同來源的變異。
- [貝氏最佳化（Bayesian Optimization）](/terms/bayesian-optimization.md): 貝氏最佳化是一種用於最佳化黑盒函數的演算法，它使用貝氏模型來建立目標函數的代理模型，並利用該模型來選擇下一個要評估的點，以在最少的迭代次數內找到最佳解。
- [貝氏定理（Bayes Theorem）](/terms/bayes-theorem.md): 貝氏定理描述在已知一些條件下，事件發生的機率。它基於先驗機率、條件機率和證據，更新對事件的信念。
- [負責任AI（Responsible AI）](/terms/responsible-ai.md): 負責任AI是一種全面性的框架，旨在確保人工智慧系統的開發、部署與使用過程，能嚴格遵守倫理原則、社會價值觀和法律規範，以促進公平、透明且可信賴的AI發展。
- [貪婪解碼（Greedy Decoding）](/terms/greedy-decoding.md): 貪婪解碼是一種序列生成方法，在每個時間步選擇概率最高的詞作為輸出，直到生成終止符號或達到最大長度。它簡單快速，但可能陷入局部最佳解。
- [資料不平衡（Data Imbalance）](/terms/data-imbalance.md): 資料不平衡指訓練資料中各類別樣本數量差異懸殊，導致模型傾向預測多數類別，常用 SMOTE 過採樣或欠採樣等技術來處理
- [資料並行（Data Parallelism）](/terms/data-parallelism.md): 資料並行是一種分散式訓練方法，將資料分割成多份，分配給多個節點，每個節點使用相同模型副本訓練不同資料子集。
- [資料倉儲（Data Warehouse）](/terms/data-warehouse.md): 資料倉儲是針對查詢與分析優化的結構化資料儲存系統，整合多來源資料以支援商業智慧決策
- [資料前處理（Data Preprocessing）](/terms/data-preprocessing.md): 資料前處理是指在將原始資料用於機器學習模型之前，對其進行清理、轉換和整合的過程，以提高模型效能和準確性。
- [資料品質監控（Data Quality Monitoring）](/terms/data-quality-monitoring.md): 資料品質監控是指持續追蹤和評估資料的準確性、完整性、一致性、時效性和有效性，以確保資料符合預期標準。
- [資料填補（Data Imputation）](/terms/data-imputation.md): 資料填補是處理遺失值的方法，透過統計方法估算並替換遺失值，以維持資料完整性，避免分析偏差。
- [資料投毒攻擊（Data Poisoning）](/terms/data-poisoning.md): 資料投毒攻擊是一種惡意攻擊，攻擊者將惡意或錯誤的資料注入到訓練資料集中，以影響機器學習模型的性能或行為。攻擊目標是使模型產生錯誤的預測或執行其他有害操作。
- [資料擴增術（Data Augmentation）](/terms/data-augmentation.md): 資料擴增術是一種增加訓練資料多樣性的技術，透過對現有資料進行微小的修改，創造出新的、但仍然代表相同類別的資料點，以提升模型泛化能力。
- [資料標註（Data Annotation）](/terms/data-annotation.md): 資料標註是為資料集添加標籤或註解的過程，使機器學習模型能夠理解和學習這些資料，是模型訓練的基礎。
- [資料標註（Data Labeling）](/terms/data-labeling.md): 資料標註是指為原始資料添加標籤的過程，這些標籤提供關於資料的額外資訊，用於訓練監督式機器學習模型。
- [資料湖（Data Lake）](/terms/data-lake.md): 資料湖是一種大型集中式儲存庫，能以原始格式存放結構化、半結構化和非結構化的各式資料，提供高度彈性與可擴展性。
- [資料漂移（Data Drift）](/terms/data-drift.md): 資料漂移是指模型上線後，輸入資料的分布與訓練資料不同，進而造成模型預測效能降低的現象
- [資料版本控制（Data Versioning）](/terms/data-versioning.md): 資料版本控制追蹤資料集在不同時間點的狀態，確保可重複性、可追溯性，並允許回復到先前的資料版本。
- [資料視覺化（Data Visualization）](/terms/data-visualization.md): 資料視覺化是將資料轉換為圖表、圖形等視覺形式的技術，幫助人們更直觀地理解資料模式、趨勢與異常，常用工具包括 Matplotlib、Tableau、Power BI
- [資料管線（Data Pipeline）](/terms/data-pipeline.md): 資料管線是一系列資料處理步驟，將原始資料轉換為可供分析或模型使用的格式，包含擷取、轉換、載入等階段。
- [資料血緣追蹤（Data Lineage）](/terms/data-lineage.md): 資料血緣追蹤記錄資料從來源到目的地的流動和轉換，提供資料的完整歷史和上下文，確保資料品質和可追溯性。
- [資料隱私（Data Privacy）](/terms/data-privacy.md): 資料隱私是指保護個人資訊不被未授權存取、蒐集或濫用的原則與實踐，在 AI 系統中需遵循 PDPA 等法規要求
- [資訊理論（Information Theory）](/terms/information-theory.md): 資訊理論研究資訊的量化、儲存與傳輸，核心概念包含熵、互資訊、通道容量等，為資料壓縮、通訊編碼等領域奠定基礎。
- [超參數（Hyperparameter）](/terms/hyperparameter.md): 超參數是機器學習模型訓練前，由人為設定且影響模型學習效果的參數，例如學習率或網路層數
- [超參數調校（Hyperparameter Tuning）](/terms/hyperparameter-tuning.md): 超參數調校是機器學習中，尋找最佳超參數組合以提升模型效能的過程，涉及多次模型訓練與評估。
- [超級對齊（Superalignment）](/terms/superalignment.md): 超級對齊旨在確保遠超人類智慧的AI系統，其目標與人類價值觀對齊，避免潛在的失控風險。
- [超解析度重建（Super-resolution）](/terms/super-resolution.md): 超解析度重建是一種電腦視覺技術，旨在從低解析度影像重建出高解析度影像，提升影像的清晰度和細節。
- [路徑語言模型（PaLM）](/terms/palm.md): PaLM (Pathways Language Model) 是 Google 開發的大型語言模型，以其卓越的推理能力和多語言處理能力著稱。
- [轉換器架構（Transformer）](/terms/transformer.md): 完全基於 Attention 機制的架構，不用 RNN 的循環結構，能平行處理整個序列
- [逆向運動學（Inverse Kinematics）](/terms/inverse-kinematics.md): 逆向運動學是計算機器人或骨骼動畫等系統中，為了達到特定末端效應器位置和姿態，各關節需要旋轉的角度。
- [通用人工智慧（Artificial General Intelligence）](/terms/artificial-general-intelligence.md): 通用人工智慧（AGI）是指具備與人類同等或超越人類的智慧，能夠理解、學習、適應並在任何智力任務中表現出色的AI系統。
- [連體神經網路（Siamese Network）](/terms/siamese-network.md): 連體神經網路是一種包含兩個或多個共享相同權重的相同神經網路的架構，用於比較輸入之間的相似性或關係。
- [運動規劃（Motion Planning）](/terms/motion-planning.md): 運動規劃是計算機科學和機器人學中的一個領域，旨在為機器人或其他代理找到從起點到終點的可行路徑，同時避開障礙物並滿足特定約束。
- [運算最佳訓練（Compute Optimal Training）](/terms/compute-optimal-training.md): 運算最佳訓練旨在於給定運算資源下，最大化模型效能。它涉及調整模型大小、資料集大小和訓練步驟，以達到最佳效率。
- [過擬合（Overfitting）](/terms/overfitting.md): 過擬合指模型過度記憶訓練資料的細節與雜訊，導致在未見過的新資料上預測表現大幅下滑
- [適配器模組（Adapter）](/terms/adapter.md): 適配器模組是一種輕量級的模型微調方法，透過在預訓練模型中插入少量可訓練參數，以適應特定任務，同時保持原始模型參數凍結。
- [遮罩區域卷積網路（Mask R-CNN）](/terms/mask-r-cnn.md): Mask R-CNN是一種深度學習模型，用於物件偵測、實例分割和人體姿勢估計。它擴展了Faster R-CNN，增加了預測每個物件像素級別遮罩的分支。
- [遮蔽語言模型（Masked Language Model）](/terms/masked-language-model.md): 遮蔽語言模型（MLM）是一種自監督學習方法，隨機遮蔽輸入文本的部分詞語，並訓練模型預測這些被遮蔽的詞語。
- [遷移學習（Transfer Learning）](/terms/transfer-learning.md): 遷移學習是將已在大數據集習得的知識，轉移應用至小數據集的新任務，藉此加速模型訓練
- [邊界框偵測（Bounding Box）](/terms/bounding-box.md): 邊界框偵測是一種電腦視覺技術，用於在影像或影片中定位和識別物體，並使用矩形框標示出物體的位置。
- [邊緣人工智慧（Edge AI）](/terms/edge-ai.md): 邊緣人工智慧是指在靠近資料來源的邊緣設備上執行AI運算，而非在雲端伺服器上。可降低延遲、節省頻寬、保護隱私。
- [邏輯迴歸（Logistic Regression）](/terms/logistic-regression.md): 邏輯迴歸是一種廣義線性模型，用於預測二元或多元分類結果的機率。它使用 Sigmoid 函數將線性組合轉換為機率值，並透過最大似然估計來訓練模型。
- [醫療影像分析（Medical Image Analysis）](/terms/medical-image-analysis.md): 醫療影像分析利用AI技術，自動或半自動地分析醫學影像，輔助醫生進行疾病診斷、病情監測和治療規劃，提高診斷效率和準確性。
- [重排序模型（Reranking）](/terms/reranking.md): 重排序模型是一種在初步檢索後，對候選結果進行重新排序的技術，旨在提升檢索結果的相關性和準確性，通常使用更複雜的模型。
- [量化低秩適配（QLoRA）](/terms/qlora.md): QLoRA是LoRA的改進版，使用4位量化技術壓縮預訓練模型，進一步降低記憶體需求，實現在消費級硬體上微調大型模型。
- [金吉拉縮放（Chinchilla Scaling）](/terms/chinchilla-scaling.md): 金吉拉縮放是一種模型縮放法則，旨在透過調整模型大小和訓練資料量，以達到最佳的計算效率，避免過度訓練或訓練不足。
- [金絲雀部署（Canary Deployment）](/terms/canary-deployment.md): 金絲雀部署是將新版本軟體或模型逐步發布給少數使用者，以便在全面推廣前偵測問題，有效降低風險並確保系統穩定性。
- [金融情緒分析（Sentiment Analysis for Finance）](/terms/sentiment-analysis-for-finance.md): 金融情緒分析利用自然語言處理技術，分析新聞、社群媒體等文本數據，提取市場情緒，用於預測股價、風險管理和交易策略。
- [錨框（Anchor Box）](/terms/anchor-box.md): 錨框(Anchor Box)是在目標檢測中預先定義的一系列具有不同大小和長寬比的矩形框，用於在圖像中生成候選區域，以便模型進行目標分類和邊界框回歸。
- [長短期記憶網路（Long Short-Term Memory）](/terms/long-short-term-memory.md): 長短期記憶網路是一種改良的循環神經網路，透過門控機制來克服傳統 RNN 在長序列中容易遺忘的缺陷
- [閃電注意力機制（Flash Attention）](/terms/flash-attention.md): 閃電注意力機制是一種優化注意力計算的技術，透過重新排序計算步驟和利用硬體加速，大幅提升注意力計算的速度和記憶體效率。
- [開放神經網路交換（ONNX）](/terms/onnx.md): ONNX 是一種開放標準，用於表示機器學習模型，允許模型在不同框架之間互操作，簡化模型部署流程。
- [閘控循環單元（Gated Recurrent Unit）](/terms/gated-recurrent-unit.md): 閘控循環單元（GRU）是一種循環神經網路（RNN）的變體，旨在解決傳統RNN的梯度消失問題，更有效地捕捉長期依賴關係。
- [關係抽取（Relation Extraction）](/terms/relation-extraction.md): 關係抽取旨在自動識別文本中實體之間的語義關係，例如「出生於」或「工作於」，是知識圖譜構建的關鍵技術。
- [降維處理（Dimensionality Reduction）](/terms/dimensionality-reduction.md): 降維處理旨在減少資料集的特徵數量，同時保留重要資訊，以簡化模型、加速運算並避免維度災難。
- [隨機丟棄（Dropout）](/terms/dropout.md): 隨機丟棄是一種訓練技巧，透過隨機關閉部分神經元，避免網路過度依賴單一路徑，提升模型的泛化能力
- [隨機搜尋（Random Search）](/terms/random-search.md): 隨機搜尋是一種超參數最佳化方法，它在預定義的超參數空間中隨機選擇參數組合，並評估其性能，以找到最佳的超參數配置。
- [隨機梯度下降（Stochastic Gradient Descent）](/terms/stochastic-gradient-descent.md): 隨機梯度下降（SGD）是一種迭代優化算法，用於最小化目標函數。它每次迭代僅使用一個或少量樣本計算梯度，加速訓練過程，但可能導致收斂不穩定。
- [隨機森林（Random Forest）](/terms/random-forest.md): 隨機森林是一種集成學習演算法，透過多棵決策樹投票，以隨機子集資料和特徵進行訓練，提升預測準確性
- [集成學習（Ensemble Learning）](/terms/ensemble-learning.md): 集成學習透過結合多個弱學習器，建立一個強學習器，以提高模型的準確性和泛化能力，常見方法包括Bagging、Boosting和Stacking。
- [集束搜尋（Beam Search）](/terms/beam-search.md): 集束搜尋是一種啟發式搜尋演算法，用於序列預測任務，它在每個時間步保留多個最有可能的候選序列（集束），而非僅僅選擇最佳選項。
- [雙向編碼器表示（BERT）](/terms/bert.md): BERT是一種基於Transformer架構的雙向編碼器模型，用於理解文本的語義和上下文，廣泛應用於自然語言理解任務。
- [零信任架構（Zero Trust Architecture）](/terms/zero-trust-architecture.md): 零信任架構是一種安全模型，它不預設信任任何使用者或裝置，每次存取都必須驗證身分與授權
- [零樣本學習（Zero-shot Learning）](/terms/zero-shot-learning.md): 零樣本學習讓模型無需任何該類別的訓練範例，憑藉預訓練知識即可識別與處理未見過的類別
- [電子病歷人工智慧（Electronic Health Records AI）](/terms/electronic-health-records-ai.md): 電子病歷人工智慧 (EHR AI) 指的是利用人工智慧技術分析電子病歷 (EHR) 數據，以改善醫療照護、研究和管理的應用。
- [電腦視覺（Computer Vision）](/terms/computer-vision.md): 電腦視覺（Computer Vision）讓 AI 從圖像與影片中辨識物件、文字、人臉，廣泛用於自駕車、人臉辨識、醫療影像分析、工廠瑕疵檢測。
- [非極大值抑制（Non-Maximum Suppression）](/terms/non-maximum-suppression.md): 非極大值抑制 (NMS) 是一種在物件偵測中用於消除重複框的技術，它會保留置信度最高的框，並抑制與之高度重疊的其他框。
- [非監督式學習（Unsupervised Learning）](/terms/unsupervised-learning.md): 非監督式學習是機器學習方法，讓模型在沒有標籤的輸入資料中，自行探索隱藏的結構與模式
- [非結構化資料（Unstructured Data）](/terms/unstructured-data.md): 非結構化資料是指沒有預定義格式或組織方式的資料，難以直接儲存和分析，例如文字、圖像、音訊和影片。
- [音樂生成（Music Generation）](/terms/music-generation.md): 音樂生成是利用AI模型自動創作音樂，涵蓋旋律、和聲、節奏等多個方面，旨在模擬人類作曲過程。
- [預測性分析（Predictive Analytics）](/terms/predictive-analytics.md): 預測分析（Predictive Analytics）運用機器學習與統計模型，從歷史資料預測未來趨勢或事件機率，廣泛用於銷售預測、風險管理、客戶流失預防。
- [預熱訓練（Warmup）](/terms/warmup.md): 預熱訓練是一種在模型訓練初期，逐步提高學習率的策略，旨在穩定訓練過程，避免初期梯度爆炸或震盪。
- [頓悟學習（Grokking）](/terms/grokking.md): 頓悟學習指模型在訓練初期泛化能力差，但經過長時間訓練後，突然展現出良好的泛化能力，如同頓悟一般。
- [顯著性地圖（Saliency Map）](/terms/saliency-map.md): 顯著性地圖是一種圖像處理技術，用於突出顯示圖像中最引人注目的區域。它通過計算每個像素的顯著性得分來實現，得分越高表示該區域越顯著。
- [風格轉換（Style Transfer）](/terms/style-transfer.md): 風格轉換是一種使用人工智慧技術，將一張圖片的風格應用到另一張圖片的內容上的方法，創造出具有新風格的圖像。
- [餘弦相似度（Cosine Similarity）](/terms/cosine-similarity.md): 餘弦相似度是一種衡量兩個非零向量之間夾角餘弦值的度量方法，常用於評估文本或資料點之間的相似程度。
- [馬可夫決策過程（Markov Decision Process）](/terms/markov-decision-process.md): 馬可夫決策過程（MDP）是一種用於建模決策的數學框架，其中結果部分隨機，部分受決策者控制。它廣泛應用於強化學習。
- [驗證資料集（Validation Set）](/terms/validation-set.md): 驗證資料集用於在模型訓練期間調整超參數和評估模型效能，以防止過擬合，並選擇最佳模型。
- [骰子損失函數（Dice Loss）](/terms/dice-loss.md): Dice Loss是一種用於衡量兩個樣本之間相似度的損失函數，尤其適用於處理不平衡的資料集，常見於圖像分割任務。
- [高效神經架構搜尋（Efficient Neural Architecture Search）](/terms/efficient-neural-architecture-search.md): 高效神經架構搜尋（Efficient NAS）旨在降低NAS的計算成本，通過架構共享、代理模型等技術加速搜尋過程，找到高性能的神經網路架構。
- [高效網路（EfficientNet）](/terms/efficientnet.md): EfficientNet 是一系列由 Google 開發的卷積神經網路架構，旨在透過複合縮放方法，在準確度和效率之間取得最佳平衡。
- [黑箱模型（Black Box Model）](/terms/black-box-model.md): 黑箱模型是指其內部運作機制對使用者而言不透明的模型，難以理解輸入與輸出之間的具體關係。
- [點擊率預測（Click-through Rate Prediction）](/terms/click-through-rate-prediction.md): 點擊率預測旨在預估使用者點擊特定廣告或連結的可能性，是數位廣告和推薦系統的核心技術。

## 深度解說
- [A/B測試 是什麼？](/learning/what-is-a-b-testing): A/B測試是一種隨機實驗方法，用於比較兩個版本的變數（A 和 B），以確定哪個版本表現更好。常用於優化使用者體驗和提升轉換率。 Markdown 版本：/learning/what-is-a-b-testing.md
- [ACID 是什麼？](/learning/what-is-acid-atomicity-consistency-isolation-durability): ACID 是指資料庫交易必須具備原子性、一致性、隔離性與持久性四大特性，以確保資料處理的正確性、可靠性與完整性。 Markdown 版本：/learning/what-is-acid-atomicity-consistency-isolation-durability.md
- [AI 代理 是什麼？](/learning/what-is-ai-agent): AI 代理是能自主規劃、執行任務並運用工具的 AI 系統，它不只回答問題，更能實際採取行動 Markdown 版本：/learning/what-is-ai-agent.md
- [AI 幻覺 是什麼？](/learning/what-is-hallucination): AI 幻覺是大型語言模型產生自信但事實錯誤或無中生有內容的現象，是 LLM 部署的主要風險 Markdown 版本：/learning/what-is-hallucination.md
- [AI 系統架構 是什麼？](/learning/what-is-ai-system-architecture): AI 系統架構描述 AI 應用的整體技術結構，包含資料層、模型層、服務層的設計，以及雲端、邊緣、混合部署等基礎設施配置 Markdown 版本：/learning/what-is-ai-system-architecture.md
- [AI偏見 是什麼？](/learning/what-is-bias-in-ai): AI偏見是指AI系統在訓練或決策過程中，由於資料、演算法或人為因素，產生不公平或歧視性的結果。 Markdown 版本：/learning/what-is-bias-in-ai.md
- [AI沙盒 是什麼？](/learning/what-is-ai-sandbox): AI沙盒是一個受控的環境，用於測試和評估AI系統，而無需擔心對真實世界產生負面影響。它提供了一個安全可靠的實驗平台。 Markdown 版本：/learning/what-is-ai-sandbox.md
- [AI治理 是什麼？](/learning/what-is-ai-governance): AI治理是指建立一套框架和流程，以確保AI系統的開發和使用符合倫理、法律和社會價值觀。 Markdown 版本：/learning/what-is-ai-governance.md
- [AI浮水印 是什麼？](/learning/what-is-ai-watermarking): AI浮水印是一種將資訊嵌入AI模型或其產生的內容中的技術，用於驗證來源、追蹤使用情況或防止未經授權的複製。 Markdown 版本：/learning/what-is-ai-watermarking.md
- [AI藥物發現 是什麼？](/learning/what-is-drug-discovery-ai): AI藥物發現利用人工智慧加速藥物研發流程，從靶點識別、候選藥物篩選、臨床試驗設計到藥物重定位，降低成本並縮短開發週期。 Markdown 版本：/learning/what-is-drug-discovery-ai.md
- [AI負載平衡 是什麼？](/learning/what-is-load-balancing-for-ai): AI負載平衡將AI任務分散到多個計算資源，確保資源有效利用，避免單點過載，提升整體系統效能和穩定性。 Markdown 版本：/learning/what-is-load-balancing-for-ai.md
- [API閘道 是什麼？](/learning/what-is-api-gateway): API閘道是位於應用程式前端的伺服器，作為單一入口點處理所有API請求，提供路由、驗證、授權、限流、監控等功能。 Markdown 版本：/learning/what-is-api-gateway.md
- [AutoML遷移學習 是什麼？](/learning/what-is-transfer-learning-for-automl): AutoML遷移學習利用預訓練模型知識，加速AutoML流程，減少訓練數據需求，提升模型泛化能力，並降低計算成本。 Markdown 版本：/learning/what-is-transfer-learning-for-automl.md
- [BERT 是什麼？](/learning/what-is-bidirectional-encoder-representations-from-transformers): Google 的雙向語言模型，用 MLM（遮罩）和 NSP 預訓練，擅長理解文本語意 Markdown 版本：/learning/what-is-bidirectional-encoder-representations-from-transformers.md
- [BLEU分數 是什麼？](/learning/what-is-bleu-score): BLEU分數是一種評估機器翻譯文本品質的指標，通過比較候選譯文與參考譯文的n-gram重疊程度來計算，數值越高表示翻譯品質越好。 Markdown 版本：/learning/what-is-bleu-score.md
- [BM25算法 是什麼？](/learning/what-is-bm25): BM25 (Best Matching 25) 是一種用於資訊檢索的排序函數，它基於詞頻和逆文檔頻率，並考慮了文檔長度的影響，以提高檢索的準確性。 Markdown 版本：/learning/what-is-bm25.md
- [Continuous Deployment 是什麼？](/learning/what-is-continuous-integration): CI 每次提交自動建置+測試，CD 通過後自動部署到生產環境。確保每個變更都安全 Markdown 版本：/learning/what-is-continuous-integration.md
- [F1 分數 是什麼？](/learning/what-is-f1-score): Precision 和 Recall 的調和平均數 = 2PR/(P+R)，兼顧「找得準」和「找得全」 Markdown 版本：/learning/what-is-f1-score.md
- [K 均值分群 是什麼？](/learning/what-is-k-means-clustering): K 均值分群是一種將資料點分配到 K 個群集的演算法，透過反覆運算，將點分配到最近的群集中心，並更新中心位置，直到收斂 Markdown 版本：/learning/what-is-k-means-clustering.md
- [K 近鄰 是什麼？](/learning/what-is-k-nearest-neighbors): K 近鄰演算法是一種基於實例的學習方法，透過找出距離最近的 K 個鄰居，以投票方式決定資料點的分類 Markdown 版本：/learning/what-is-k-nearest-neighbors.md
- [KL散度 是什麼？](/learning/what-is-kl-divergence): KL散度（Kullback-Leibler Divergence）衡量兩個機率分佈的差異，數值越大代表分佈差異越大，常用於評估模型預測分佈與真實分佈的接近程度。 Markdown 版本：/learning/what-is-kl-divergence.md
- [L1 正則化 是什麼？](/learning/what-is-l1-regularization-lasso): L1 正則化透過懲罰權重的絕對值總和，驅使模型將不重要特徵的權重歸零，達到特徵選擇的效果 Markdown 版本：/learning/what-is-l1-regularization-lasso.md
- [L2 正則化 是什麼？](/learning/what-is-l2-regularization-ridge): L2 正則化是一種機器學習技術，透過在損失函數中加入權重平方和的懲罰項，促使模型權重縮小，有效降低模型複雜度並避免過度擬合，提升泛化能力。 Markdown 版本：/learning/what-is-l2-regularization-ridge.md
- [LangChain框架 是什麼？](/learning/what-is-langchain): LangChain是一個用於開發基於大型語言模型（LLM）應用程式的框架。它簡化了LLM的整合、鏈接和部署，讓開發者能快速構建複雜的AI應用。 Markdown 版本：/learning/what-is-langchain.md
- [LIME 是什麼？](/learning/what-is-local-interpretable-model-agnostic-explanations): LIME 針對單筆預測，以局部線性模型近似複雜黑箱模型的行為，提供與模型無關的可解釋性 Markdown 版本：/learning/what-is-local-interpretable-model-agnostic-explanations.md
- [N元語法 是什麼？](/learning/what-is-n-gram): N元語法是一種自然語言處理技術，用於預測序列中下一個詞的概率，基於前N-1個詞的出現頻率。 Markdown 版本：/learning/what-is-n-gram.md
- [Python 串列與字典 是什麼？](/learning/what-is-python-list-dict): Python 串列（List）是一種有序、可變的資料結構，用於儲存一系列元素；字典（Dictionary）則是一種鍵值對（Key-Value）的資料結構，用於快速查找和存取資料。 Markdown 版本：/learning/what-is-python-list-dict.md
- [Python 條件與迴圈 是什麼？](/learning/what-is-python-control-flow): Python 條件與迴圈是程式設計中控制程式流程的關鍵結構，透過條件判斷決定程式碼執行路徑，並利用迴圈重複執行特定程式碼區塊，實現複雜邏輯。 Markdown 版本：/learning/what-is-python-control-flow.md
- [ReAct框架 是什麼？](/learning/what-is-react-framework): ReAct框架是一種結合推理（Reasoning）和行動（Acting）的AI Agent框架，允許模型在解決問題的過程中進行思考、規劃和執行。 Markdown 版本：/learning/what-is-react-framework.md
- [ROC 曲線 是什麼？](/learning/what-is-receiver-operating-characteristic): 以 FPR 為 X 軸、TPR 為 Y 軸畫出的曲線，展示模型在不同分類門檻下的權衡 Markdown 版本：/learning/what-is-receiver-operating-characteristic.md
- [ROC 曲線下面積 是什麼？](/learning/what-is-area-under-the-roc-curve): 衡量分類模型在不同閾值下的綜合表現，AUC=1 完美，AUC=0.5 等於隨機猜 Markdown 版本：/learning/what-is-area-under-the-roc-curve.md
- [ROUGE評分 是什麼？](/learning/what-is-rouge-score): ROUGE評分是一種用於評估自動文本摘要或機器翻譯品質的指標，通過比較生成文本與參考文本的n-gram重疊程度來衡量。 Markdown 版本：/learning/what-is-rouge-score.md
- [S 型函數 是什麼？](/learning/what-is-sigmoid-function): S 型函數能將任何數值壓縮至 0 到 1 之間，常用於二元分類模型，將輸出結果轉換為機率 Markdown 版本：/learning/what-is-sigmoid-function.md
- [SHAP 是什麼？](/learning/what-is-shapley-additive-explanations): SHAP 是一種基於賽局理論 Shapley 值的模型解釋方法，用於量化各特徵對模型預測的貢獻程度 Markdown 版本：/learning/what-is-shapley-additive-explanations.md
- [Softmax 函數 是什麼？](/learning/what-is-softmax-function): Softmax 函數是一種將數值轉換為機率分佈的數學工具，常用於多元分類模型，確保輸出總和為一 Markdown 版本：/learning/what-is-softmax-function.md
- [SPARQL查詢 是什麼？](/learning/what-is-sparql): SPARQL是一種用於查詢和操作RDF資料的查詢語言，類似於SQL用於關係資料庫。它允許使用者從知識圖譜中提取特定資訊。 Markdown 版本：/learning/what-is-sparql.md
- [Swin變換器 是什麼？](/learning/what-is-swin-transformer): Swin Transformer是一種層級式的Transformer模型，用於電腦視覺任務，透過移動視窗機制有效降低計算複雜度，並提升模型效能。 Markdown 版本：/learning/what-is-swin-transformer.md
- [TF-IDF 是什麼？](/learning/what-is-term-frequency-inverse-document-frequency): 衡量一個詞對文件的重要性：在這篇文件中出現多（TF 高）但在其他文件中少見（IDF 高）的詞最重要 Markdown 版本：/learning/what-is-term-frequency-inverse-document-frequency.md
- [U型網路 是什麼？](/learning/what-is-u-net): U-Net是一種用於圖像分割的深度學習模型，其架構呈U型，包含編碼器和解碼器，能有效捕捉圖像的上下文資訊和精確定位分割邊界。 Markdown 版本：/learning/what-is-u-net.md
- [Z 分數 是什麼？](/learning/what-is-z-score): 衡量一個值偏離平均值幾個標準差，Z = (x - μ) / σ。常用於標準化和異常值檢測 Markdown 版本：/learning/what-is-z-score.md
- [三元組抽取 是什麼？](/learning/what-is-triple-extraction): 三元組抽取是從文本中提取（主語，謂語，賓語）三元組的過程，是構建知識圖譜的基礎，也是關係抽取的一種形式。 Markdown 版本：/learning/what-is-triple-extraction.md
- [上下文學習 是什麼？](/learning/what-is-in-context-learning): 上下文學習 (In-context Learning) 指的是大型語言模型無需額外訓練，僅通過輸入範例即可學習新任務的能力。 Markdown 版本：/learning/what-is-in-context-learning.md
- [上下文學習理論 是什麼？](/learning/what-is-in-context-learning-theory): 上下文學習理論指大型語言模型無需額外訓練，僅憑藉輸入提示中的範例，即可執行新任務的能力，展現了模型泛化的潛力。 Markdown 版本：/learning/what-is-in-context-learning-theory.md
- [上下文窗口 是什麼？](/learning/what-is-context-window): 上下文窗口是指，大型語言模型一次性能處理的最大 Token 數量，超過此限制模型便會遺忘先前的內容 Markdown 版本：/learning/what-is-context-window.md
- [世界模型 是什麼？](/learning/what-is-world-model): 世界模型是一種AI模型，旨在學習環境的內部表示，使代理能夠預測未來狀態並做出更明智的決策。 Markdown 版本：/learning/what-is-world-model.md
- [中央極限定理 是什麼？](/learning/what-is-central-limit-theorem): 中央極限定理指出，大量獨立隨機變數的總和（或平均值）趨近於常態分佈，與原始變數的分佈無關。是統計推論的基石。 Markdown 版本：/learning/what-is-central-limit-theorem.md
- [主成分分析 是什麼？](/learning/what-is-principal-component-analysis): 主成分分析是一種降維技術，藉由找出資料變異最大的方向，將高維度資料投影至低維度空間，以保留關鍵資訊 Markdown 版本：/learning/what-is-principal-component-analysis.md
- [互信息 是什麼？](/learning/what-is-mutual-information): 互信息衡量兩個隨機變數之間相互包含的信息量，數值越大代表相關性越高，常用於特徵選擇、圖像配準等任務。 Markdown 版本：/learning/what-is-mutual-information.md
- [交並比 是什麼？](/learning/what-is-intersection-over-union): 交並比是物件偵測中，用來評估預測框與真實框定位準確度的指標，計算兩者重疊面積與聯集面積的比率 Markdown 版本：/learning/what-is-intersection-over-union.md
- [交叉熵損失 是什麼？](/learning/what-is-cross-entropy): 交叉熵損失是一種衡量兩個機率分佈之間差異的損失函數，常用於分類任務中評估模型預測結果與真實標籤的差距。 Markdown 版本：/learning/what-is-cross-entropy.md
- [交叉驗證 是什麼？](/learning/what-is-cross-validation): 交叉驗證是一種將資料分成多份，輪流以不同子集作為驗證集，藉此評估模型泛化能力的技術 Markdown 版本：/learning/what-is-cross-validation.md
- [人工智慧 是什麼？](/learning/what-is-artificial-intelligence): 人工智慧是模擬人類認知能力的電腦技術，透過機器學習與深度學習讓系統能自主學習與決策 Markdown 版本：/learning/what-is-artificial-intelligence.md
- [人工智慧倫理 是什麼？](/learning/what-is-ai-ethics): 人工智慧倫理旨在探討並解決AI系統開發、部署和使用過程中涉及的道德、法律和社會問題，確保AI的發展符合人類價值觀。 Markdown 版本：/learning/what-is-ai-ethics.md
- [人工智慧公平性 是什麼？](/learning/what-is-fairness-in-ai): 人工智慧公平性旨在確保AI系統的決策不會對特定群體或個人產生不合理的歧視，追求結果的公正與平等。 Markdown 版本：/learning/what-is-fairness-in-ai.md
- [人工智慧安全 是什麼？](/learning/what-is-ai-safety): 人工智慧安全旨在確保AI系統在部署後，其行為符合人類意圖，避免產生意外或有害的後果，保障人類福祉。 Markdown 版本：/learning/what-is-ai-safety.md
- [人工智慧監管 是什麼？](/learning/what-is-ai-regulation): 人工智慧監管是指政府或相關機構制定和實施的，旨在規範人工智慧技術開發、部署和使用的法律、政策和指導方針，以確保其安全、公平和符合倫理。 Markdown 版本：/learning/what-is-ai-regulation.md
- [人工智慧風險評估 是什麼？](/learning/what-is-ai-risk-assessment): 人工智慧風險評估是一種識別、分析和評估人工智慧系統可能造成的潛在風險的過程，旨在了解風險的性質、可能性和影響，並制定相應的應對措施。 Markdown 版本：/learning/what-is-ai-risk-assessment.md
- [人機迴路 是什麼？](/learning/what-is-human-in-the-loop): 人機迴路 (HITL) 是一種 AI 方法，其中人類參與模型訓練和決策過程，以提高準確性、可靠性和倫理考量。 Markdown 版本：/learning/what-is-human-in-the-loop.md
- [人臉辨識 是什麼？](/learning/what-is-face-recognition): 人臉辨識是一種電腦視覺技術，用於自動識別或驗證圖像或影片中的人臉，並與已知人臉資料庫進行比對。 Markdown 版本：/learning/what-is-face-recognition.md
- [人類回饋強化學習 是什麼？](/learning/what-is-rlhf): 人類回饋強化學習（RLHF）是一種利用人類回饋訊號，訓練強化學習模型，使其行為更符合人類偏好的方法。 Markdown 版本：/learning/what-is-rlhf.md
- [代價函數 是什麼？](/learning/what-is-cost-function): 代價函數是所有訓練樣本損失函數的平均值，用於評估模型在整個訓練集上的表現，並作為優化算法的目標。 Markdown 版本：/learning/what-is-cost-function.md
- [位元組對編碼 是什麼？](/learning/what-is-byte-pair-encoding): 位元組對編碼（BPE）是一種資料壓縮技術，也常用於自然語言處理中，作為一種詞彙標記化方法，將單詞分解成更小的子詞單元。 Markdown 版本：/learning/what-is-byte-pair-encoding.md
- [位置編碼 是什麼？](/learning/what-is-positional-encoding): 位置編碼是一種將序列中單詞或符號的位置資訊嵌入到向量表示中的技術，使模型能感知序列順序。 Markdown 版本：/learning/what-is-positional-encoding.md
- [低秩適配 是什麼？](/learning/what-is-lora): LoRA是一種參數高效的微調技術，透過學習低秩矩陣來適應預訓練模型，大幅減少訓練參數，降低計算成本。 Markdown 版本：/learning/what-is-lora.md
- [低程式碼 是什麼？](/learning/what-is-low-code): 低程式碼平台讓使用者透過視覺化拖拉介面快速開發應用，大幅降低軟體開發的技術門檻與時間成本 Markdown 版本：/learning/what-is-low-code.md
- [你只看一次 是什麼？](/learning/what-is-yolo): YOLO (You Only Look Once) 是一種即時物件偵測演算法，它將物件偵測視為一個迴歸問題，直接從完整圖像預測邊界框和類別機率。 Markdown 版本：/learning/what-is-yolo.md
- [依存句法分析 是什麼？](/learning/what-is-dependency-parsing): 依存句法分析是自然語言處理中，分析句子中詞彙之間的依存關係，建立句子的語法結構，揭示詞彙間的修飾、支配等關係。 Markdown 版本：/learning/what-is-dependency-parsing.md
- [信用評分 是什麼？](/learning/what-is-credit-scoring): 信用評分是利用統計模型評估個人或企業的信用風險，預測其未來償還債務的能力，是金融機構決策的重要依據。 Markdown 版本：/learning/what-is-credit-scoring.md
- [修正線性單元 是什麼？](/learning/what-is-rectified-linear-unit): 修正線性單元是一種激活函數，其核心特徵為保留正值並將負值歸零，藉此加速計算並避免梯度消失 Markdown 版本：/learning/what-is-rectified-linear-unit.md
- [假設檢定 是什麼？](/learning/what-is-hypothesis-testing): 假設檢定是一種統計方法，透過樣本數據評估關於母體的假設是否成立，藉由計算機率值判斷證據強度，進而做出決策。 Markdown 版本：/learning/what-is-hypothesis-testing.md
- [偏差 是什麼？](/learning/what-is-bias): 偏差是模型對特定族群或特徵產生系統性錯誤傾向，源自訓練資料不平衡或演算法設計缺陷 Markdown 版本：/learning/what-is-bias.md
- [偏差方差權衡 是什麼？](/learning/what-is-bias-variance-tradeoff): 偏差方差權衡是指在模型訓練中，降低偏差會增加方差，反之亦然。目標是找到一個平衡點，使模型在未見過的數據上表現良好。 Markdown 版本：/learning/what-is-bias-variance-tradeoff.md
- [元學習 是什麼？](/learning/what-is-meta-learning): 元學習，又稱學習如何學習，旨在訓練模型能夠快速適應新任務或環境，透過少量樣本即可達到良好的效能。 Markdown 版本：/learning/what-is-meta-learning.md
- [先知預測模型 是什麼？](/learning/what-is-prophet): Prophet是由Facebook開發的時間序列預測模型，專為具有強烈季節性趨勢的商業時間序列資料設計，易於使用且具有良好的預測能力。 Markdown 版本：/learning/what-is-prophet.md
- [光學字元辨識 是什麼？](/learning/what-is-ocr): 光學字元辨識（OCR）是一種技術，能將圖像中的文字轉換為機器可讀的文字格式，例如將掃描文件轉換為可編輯的文字。 Markdown 版本：/learning/what-is-ocr.md
- [入侵偵測系統 是什麼？](/learning/what-is-intrusion-detection-system): 入侵偵測系統（IDS）是一種安全系統，旨在監控網路或系統中的惡意活動或策略違規行為。它通過分析流量、日誌和系統行為來識別潛在的入侵。 Markdown 版本：/learning/what-is-intrusion-detection-system.md
- [內容生成 是什麼？](/learning/what-is-content-generation): 內容生成是指使用人工智慧技術自動創建文字、圖像、音訊或影片等內容的過程，旨在降低內容創作成本並提高效率。 Markdown 版本：/learning/what-is-content-generation.md
- [內容過濾推薦 是什麼？](/learning/what-is-content-based-filtering): 內容過濾推薦是一種推薦系統方法，它基於用戶過去互動過的項目內容特徵，向用戶推薦相似的項目。它分析項目描述，並匹配用戶偏好。 Markdown 版本：/learning/what-is-content-based-filtering.md
- [公平性 是什麼？](/learning/what-is-fairness): AI 公平性要求模型對不同族群的決策結果無系統性歧視，需透過資料平衡與演算法設計確保一致待遇，是負責任 AI 的核心原則。 Markdown 版本：/learning/what-is-fairness.md
- [公民開發者 是什麼？](/learning/what-is-citizen-developer): 公民開發者是指，能運用低程式碼（LCNC）平台，開發應用程式的非資訊背景專業人士 Markdown 版本：/learning/what-is-citizen-developer.md
- [共指解析 是什麼？](/learning/what-is-coreference-resolution): 共指解析是自然語言處理中的一項任務，旨在識別文本中指向同一個實體的不同提及（mentions），例如代詞、名詞短語等。 Markdown 版本：/learning/what-is-coreference-resolution.md
- [共變異數 是什麼？](/learning/what-is-covariance): 共變異數衡量兩個變數如何一起變化。正值表示它們趨於一起增加或減少，負值表示一個增加時另一個趨於減少，零值表示沒有線性關係。 Markdown 版本：/learning/what-is-covariance.md
- [具身人工智慧 是什麼？](/learning/what-is-embodied-ai): 具身人工智慧是指讓AI系統擁有物理軀體，透過與環境互動來學習和解決問題，強調感知、行動和環境之間的循環。 Markdown 版本：/learning/what-is-embodied-ai.md
- [最大似然估計 是什麼？](/learning/what-is-maximum-likelihood-estimation): 最大似然估計 (MLE) 是一種統計方法，用於估計機率分佈的參數，它通過最大化觀察到樣本數據的似然函數來實現。 Markdown 版本：/learning/what-is-maximum-likelihood-estimation.md
- [冷啟動問題 是什麼？](/learning/what-is-cold-start-problem): 冷啟動問題是指在推薦系統中，對於新使用者或新物品，由於缺乏足夠的互動資料，導致無法準確推薦的問題。常見解決方案包括利用元資料、內容過濾或混合推薦。 Markdown 版本：/learning/what-is-cold-start-problem.md
- [凸優化 是什麼？](/learning/what-is-convex-optimization): 凸優化是一種數學優化方法，旨在尋找凸函數在凸集合上的最小值。其優點是局部最小值即為全局最小值，易於求解。 Markdown 版本：/learning/what-is-convex-optimization.md
- [函數呼叫 是什麼？](/learning/what-is-function-calling): 函數呼叫是一種允許大型語言模型（LLM）調用外部函數或API的能力，以擴展其功能並與外部世界互動。 Markdown 版本：/learning/what-is-function-calling.md
- [分塊處理 是什麼？](/learning/what-is-chunking): 分塊處理是指將大型資料集或文本分割成更小、更易於管理的部分，以便於模型處理和分析，提升效率。 Markdown 版本：/learning/what-is-chunking.md
- [分散式訓練 是什麼？](/learning/what-is-distributed-training): 分散式訓練利用多個計算節點，將模型訓練任務分割並行處理，加速大型模型訓練，提升效率。 Markdown 版本：/learning/what-is-distributed-training.md
- [分詞 是什麼？](/learning/what-is-tokenization): 分詞是自然語言處理（NLP）中的基礎步驟，旨在將連續的文本序列拆解成更小的、具有語義意義的單元，例如詞彙、子詞或字符，這些單元稱為 tokens。 Markdown 版本：/learning/what-is-tokenization.md
- [判別式 AI 是什麼？](/learning/what-is-discriminative-ai): 判別式 AI 學習輸入與輸出之間的條件機率 P(Y|X)，直接預測分類或回歸結果，與生成式 AI 學習資料分佈 P(X) 相對 Markdown 版本：/learning/what-is-discriminative-ai.md
- [判定係數 是什麼？](/learning/what-is-r-squared): 判定係數（R-squared）衡量模型解釋目標變數變異的比例，數值介於 0 到 1 之間 Markdown 版本：/learning/what-is-r-squared.md
- [前綴調整法 是什麼？](/learning/what-is-prefix-tuning): 前綴調整法是一種參數高效的微調技術，通過在輸入序列前添加可訓練的前綴向量，來引導預訓練模型生成期望的輸出，同時保持原始模型參數凍結。 Markdown 版本：/learning/what-is-prefix-tuning.md
- [前饋神經網路 是什麼？](/learning/what-is-feedforward-neural-network): 前饋神經網路是一種訊息單向傳播的神經網路，由輸入層、隱藏層和輸出層組成，廣泛應用於分類和迴歸任務。 Markdown 版本：/learning/what-is-feedforward-neural-network.md
- [加速區域卷積網路 是什麼？](/learning/what-is-faster-r-cnn): Faster R-CNN是一種物件偵測演算法，它使用區域建議網路(RPN)來生成候選區域，並使用卷積神經網路(CNN)對這些區域進行分類和邊界框回歸。 Markdown 版本：/learning/what-is-faster-r-cnn.md
- [半監督學習 是什麼？](/learning/what-is-semi-supervised-learning): 半監督學習是一種機器學習方法，它結合了少量標記資料和大量未標記資料進行模型訓練，旨在利用未標記資料提升模型效能，降低標記成本。 Markdown 版本：/learning/what-is-semi-supervised-learning.md
- [協同過濾 是什麼？](/learning/what-is-collaborative-filtering): 協同過濾是一種推薦系統技術，透過分析使用者行為或偏好，預測使用者可能感興趣的項目，例如商品、電影或音樂。 Markdown 版本：/learning/what-is-collaborative-filtering.md
- [卜瓦松分佈 是什麼？](/learning/what-is-poisson-distribution): 卜瓦松分佈是一種離散機率分佈，描述在固定時間或地點內，事件發生的次數。其特點是事件發生是獨立且隨機的。 Markdown 版本：/learning/what-is-poisson-distribution.md
- [卡方檢定 是什麼？](/learning/what-is-chi-squared-test): 卡方檢定是一種統計方法，用於檢驗兩個或多個類別變數之間是否存在顯著關聯性。它比較觀察值與期望值之間的差異。 Markdown 版本：/learning/what-is-chi-squared-test.md
- [即時推論 是什麼？](/learning/what-is-real-time-inference): 即時推論是指模型在接收到單個輸入後立即進行預測，適用於需要快速響應的應用，例如線上推薦或詐欺檢測。 Markdown 版本：/learning/what-is-real-time-inference.md
- [卷積神經網路 是什麼？](/learning/what-is-convolutional-neural-network): 專門處理圖像的神經網路，用小窗口（卷積核）掃過圖片提取局部特徵，參數共享大幅減少計算量 Markdown 版本：/learning/what-is-convolutional-neural-network.md
- [去噪擴散機率模型 是什麼？](/learning/what-is-denoising-diffusion-probabilistic-model): 去噪擴散機率模型（DDPM）是一種生成模型，通過逐步添加高斯噪聲破壞資料，然後學習逆向過程，從噪聲中重建資料，實現高品質的資料生成。 Markdown 版本：/learning/what-is-denoising-diffusion-probabilistic-model.md
- [反事實解釋 是什麼？](/learning/what-is-counterfactual-explanation): 反事實解釋描述了為了改變模型預測結果，輸入數據需要做的最小變動。它提供了一種理解模型決策邏輯的方式。 Markdown 版本：/learning/what-is-counterfactual-explanation.md
- [反洗錢人工智慧 是什麼？](/learning/what-is-anti-money-laundering-ai): 反洗錢人工智慧（AML AI）利用AI技術自動偵測金融交易中的可疑活動，協助金融機構遵守法規，打擊洗錢犯罪。 Markdown 版本：/learning/what-is-anti-money-laundering-ai.md
- [召回率 是什麼？](/learning/what-is-recall): 召回率衡量模型在所有實際正例中，成功識別出多少正例的能力，反映其查找完整性的指標 Markdown 版本：/learning/what-is-recall.md
- [可解釋人工智慧 是什麼？](/learning/what-is-explainable-ai): 可解釋 AI 透過視覺化或簡化模型，讓複雜的黑箱模型預測決策過程能被人類理解、信任與稽核。 Markdown 版本：/learning/what-is-explainable-ai.md
- [合成數據 是什麼？](/learning/what-is-synthetic-data): 合成數據是指通過程式或演算法生成的人工數據，而非從真實世界收集的數據。它常用於訓練AI模型，特別是在真實數據稀缺或涉及隱私問題時。 Markdown 版本：/learning/what-is-synthetic-data.md
- [合成資料生成 是什麼？](/learning/what-is-synthetic-data-generation): 合成資料生成是指透過程式或模型創建人工資料，用於訓練機器學習模型，尤其是在真實資料稀缺或難以獲取的情況下。 Markdown 版本：/learning/what-is-synthetic-data-generation.md
- [同態加密 是什麼？](/learning/what-is-homomorphic-encryption): 同態加密是一種先進加密技術，允許直接對加密數據執行計算，而無需事先解密，確保數據隱私。 Markdown 版本：/learning/what-is-homomorphic-encryption.md
- [向量資料庫 是什麼？](/learning/what-is-vector-database): 向量資料庫是一種專門儲存和檢索向量嵌入的資料庫，能高效處理高維度資料的相似性搜尋，廣泛應用於推薦系統和語義搜尋。 Markdown 版本：/learning/what-is-vector-database.md
- [命名實體辨識 是什麼？](/learning/what-is-named-entity-recognition): 命名實體辨識是自然語言處理的核心技術之一，它能自動從非結構化文本中識別出具有特定類別意義的實體，例如人名、地名、組織機構、日期等，並進行分類標註。 Markdown 版本：/learning/what-is-named-entity-recognition.md
- [問答系統 是什麼？](/learning/what-is-question-answering): 問答系統是一種利用電腦程式自動回答人類提出的問題的技術，旨在提供快速、精確的資訊檢索和知識獲取。 Markdown 版本：/learning/what-is-question-answering.md
- [單樣本學習 是什麼？](/learning/what-is-one-shot-learning): 單樣本學習是一種機器學習方法，旨在僅使用一個或少數幾個樣本來學習新的類別或概念，模擬人類快速學習的能力。 Markdown 版本：/learning/what-is-one-shot-learning.md
- [回饋迴路 是什麼？](/learning/what-is-feedback-loop): 回饋迴路是指系統輸出影響其輸入的過程，在AI中用於迭代改進模型效能，透過評估結果並調整參數。 Markdown 版本：/learning/what-is-feedback-loop.md
- [因果推論 是什麼？](/learning/what-is-causal-inference): 因果推論是從觀察數據中推斷因果關係的方法，旨在確定一個變數的變化是否直接導致另一個變數的變化。 Markdown 版本：/learning/what-is-causal-inference.md
- [因果語言模型 是什麼？](/learning/what-is-causal-language-model): 因果語言模型是一種語言模型，它基於序列中先前詞彙預測下一個詞彙，並明確建模詞彙之間的因果關係，以提升生成文本的連貫性和可控性。 Markdown 版本：/learning/what-is-causal-language-model.md
- [困惑度 是什麼？](/learning/what-is-perplexity): 困惑度衡量語言模型預測文本序列的能力，數值越低代表模型預測能力越好，對文本的理解程度越高。 Markdown 版本：/learning/what-is-perplexity.md
- [圖像分類 是什麼？](/learning/what-is-image-classification): 圖像分類是電腦視覺中的一項任務，旨在將圖像分配到預定義的類別中。模型學習圖像特徵，並基於這些特徵預測圖像所屬的類別。 Markdown 版本：/learning/what-is-image-classification.md
- [圖像生成 是什麼？](/learning/what-is-image-generation): 圖像生成是一種人工智慧技術，旨在從文字描述、其他圖像或隨機雜訊中創造出全新的、逼真的或風格化的圖像。 Markdown 版本：/learning/what-is-image-generation.md
- [圖像識別 是什麼？](/learning/what-is-image-recognition): 圖像識別是電腦視覺領域的一項任務，旨在識別圖像中的對象、人物、地點或事件。它比圖像分類更廣泛，可能涉及定位和標記圖像中的多個對象。 Markdown 版本：/learning/what-is-image-recognition.md
- [圖形處理器 是什麼？](/learning/what-is-gpu): 圖形處理器（GPU）是一種專為並行處理設計的電子電路，最初用於加速圖像渲染，現廣泛應用於深度學習等需要大量計算的領域。 Markdown 版本：/learning/what-is-gpu.md
- [圖檢索增強 是什麼？](/learning/what-is-graph-rag): 圖檢索增強（Graph RAG）利用知識圖譜結構化信息，提升檢索效率和答案準確性，優於傳統向量檢索。 Markdown 版本：/learning/what-is-graph-rag.md
- [圖神經網路 是什麼？](/learning/what-is-graph-neural-network): 圖神經網路(GNN)是一種用於處理圖結構資料的深度學習模型，能學習節點、邊和圖的表示，並用於節點分類、連結預測和圖分類等任務。 Markdown 版本：/learning/what-is-graph-neural-network.md
- [均方根誤差 是什麼？](/learning/what-is-root-mean-squared-error): 均方根誤差是均方誤差開根號後的數值，代表模型預測值與實際值之間差值的集中程度，單位與原始資料相同 Markdown 版本：/learning/what-is-root-mean-squared-error.md
- [均方誤差 是什麼？](/learning/what-is-mean-squared-error): 均方誤差是一種常用的迴歸模型評估指標，它計算預測值與真實值之間差異的平方平均值，能有效衡量模型預測的準確性，並對較大的誤差給予更高的懲罰。 Markdown 版本：/learning/what-is-mean-squared-error.md
- [基因演算法 是什麼？](/learning/what-is-genetic-algorithm): 基因演算法是一種模擬生物進化過程的優化算法，通過選擇、交叉和突變等操作，逐步演化出更優的解，用於解決複雜的搜索和優化問題。 Markdown 版本：/learning/what-is-genetic-algorithm.md
- [基於會話推薦 是什麼？](/learning/what-is-session-based-recommendation): 基於會話推薦利用使用者單次瀏覽會話內的行為序列，預測使用者下一步可能感興趣的項目，無需使用者歷史資料。 Markdown 版本：/learning/what-is-session-based-recommendation.md
- [基準測試 是什麼？](/learning/what-is-benchmark): 基準測試是用於評估和比較不同AI模型、演算法或系統性能的標準化方法，提供客觀的性能指標。 Markdown 版本：/learning/what-is-benchmark.md
- [基礎模型 是什麼？](/learning/what-is-foundation-model): 基礎模型是使用大量未標記數據訓練的大型模型，可適應多種下游任務，展現出強大的泛化能力和遷移學習能力。 Markdown 版本：/learning/what-is-foundation-model.md
- [多代理系統 是什麼？](/learning/what-is-multi-agent-system): 多代理系統是由多個獨立自主的代理（Agent）組成的計算機系統，這些代理透過相互溝通、協調與合作，共同解決複雜問題或達成特定目標。 Markdown 版本：/learning/what-is-multi-agent-system.md
- [多任務學習 是什麼？](/learning/what-is-multi-task-learning): 多任務學習是一種機器學習方法，旨在同時訓練一個模型來執行多個相關任務，以提升模型的泛化能力和效率。 Markdown 版本：/learning/what-is-multi-task-learning.md
- [多模態 AI 是什麼？](/learning/what-is-multimodal-ai): 多模態 AI 能同時處理並整合多種類型的輸入資料（文字、圖像、聲音、影片等），產生跨模態的理解與輸出 Markdown 版本：/learning/what-is-multimodal-ai.md
- [多模態學習 是什麼？](/learning/what-is-multimodal-learning): 多模態學習是一種機器學習方法，旨在從多種不同類型（模態）的資料中學習，例如圖像、文字和音訊，以提升模型效能。 Markdown 版本：/learning/what-is-multimodal-learning.md
- [多跳推理 是什麼？](/learning/what-is-multi-hop-reasoning): 多跳推理是指需要通過多個推理步驟才能得出結論的推理過程，模擬人類複雜的思考方式。 Markdown 版本：/learning/what-is-multi-hop-reasoning.md
- [大型語言模型 是什麼？](/learning/what-is-large-language-model): 大型語言模型是以大量文字訓練的超大 Transformer 模型，擅長理解並生成自然語言 Markdown 版本：/learning/what-is-large-language-model.md
- [大數據 是什麼？](/learning/what-is-big-data): 大數據指規模龐大、速度快速且多樣化的資料集合，傳統資料處理工具難以有效處理，需要專門的技術與架構來儲存、分析與應用 Markdown 版本：/learning/what-is-big-data.md
- [奇異值分解 是什麼？](/learning/what-is-singular-value-decomposition): 奇異值分解（SVD）是一種將矩陣分解為三個矩陣乘積的技術，廣泛應用於降維、推薦系統和資料壓縮等領域。 Markdown 版本：/learning/what-is-singular-value-decomposition.md
- [季節性分解 是什麼？](/learning/what-is-seasonal-decomposition): 季節性分解是一種時序分析技術，將時間序列分解為趨勢、季節性、週期性和殘差等成分，以便更好地理解和預測資料。 Markdown 版本：/learning/what-is-seasonal-decomposition.md
- [學習率 是什麼？](/learning/what-is-learning-rate): 學習率是機器學習模型訓練中的關鍵超參數，它決定了梯度下降演算法每次更新模型參數的步長與幅度，過大可能導致模型震盪，過小則會使收斂速度緩慢。 Markdown 版本：/learning/what-is-learning-rate.md
- [學習率排程 是什麼？](/learning/what-is-learning-rate-scheduling): 學習率排程是一種在訓練過程中調整學習率的技術，旨在加速收斂、避免震盪，並提高模型的泛化能力。常見方法包括步階衰減、指數衰減和餘弦退火。 Markdown 版本：/learning/what-is-learning-rate-scheduling.md
- [安全護欄 是什麼？](/learning/what-is-guardrails): AI安全護欄是用於限制AI系統行為，確保其符合預期規範和倫理標準的機制，防止產生有害或不當的輸出。 Markdown 版本：/learning/what-is-guardrails.md
- [完形填空任務 是什麼？](/learning/what-is-cloze-task): 完形填空任務是一種語言理解測試，透過移除文本中的部分詞彙，要求模型或人類填補缺失部分，以評估其對上下文的理解能力。 Markdown 版本：/learning/what-is-cloze-task.md
- [容器化技術 是什麼？](/learning/what-is-containerization): 容器化技術是一種將應用程式及其所有依賴項打包到一個可移植容器中的技術，實現跨環境一致的部署。 Markdown 版本：/learning/what-is-containerization.md
- [密度分群 是什麼？](/learning/what-is-density-based-spatial-clustering): 密度分群是一種基於資料分布密度的分群方法，它能找出任意形狀的群集，並自動識別出噪訊 Markdown 版本：/learning/what-is-density-based-spatial-clustering.md
- [密集連接網路 是什麼？](/learning/what-is-densenet): DenseNet是一種深度學習模型，透過密集連接每一層到所有後續層，最大化層之間的資訊流動，增強特徵重用，減少梯度消失問題。 Markdown 版本：/learning/what-is-densenet.md
- [實體鏈接 是什麼？](/learning/what-is-entity-linking): 實體鏈接是將文本中的實體提及項，連結到知識庫中對應實體的過程，以消除歧義並豐富文本的語義資訊。 Markdown 版本：/learning/what-is-entity-linking.md
- [專家混合模型 是什麼？](/learning/what-is-mixture-of-experts): 專家混合模型是一種機器學習技術，透過結合多個獨立的「專家」模型，針對不同輸入選擇性地激活特定專家，以提升模型整體效能。 Markdown 版本：/learning/what-is-mixture-of-experts.md
- [對抗性攻擊 是什麼？](/learning/what-is-adversarial-attack): 對抗性攻擊是指通過對輸入數據進行微小且不易察覺的修改，使AI模型產生錯誤輸出的攻擊方式，用於測試模型的魯棒性。 Markdown 版本：/learning/what-is-adversarial-attack.md
- [對抗性穩健 是什麼？](/learning/what-is-adversarial-robustness): 對抗性穩健是指機器學習模型在面對惡意設計的對抗樣本時，仍能維持其預測準確性的能力，抵抗攻擊。 Markdown 版本：/learning/what-is-adversarial-robustness.md
- [對數損失 是什麼？](/learning/what-is-log-loss): 對數損失（Log Loss）是交叉熵損失在二元分類問題中的特殊形式，衡量模型預測機率與真實標籤之間的差異，數值越小代表模型表現越好。 Markdown 版本：/learning/what-is-log-loss.md
- [對比學習 是什麼？](/learning/what-is-contrastive-learning): 對比學習是一種自監督學習方法，通過學習區分相似和不相似的樣本，從而提取資料的有效表示，無需人工標註。 Markdown 版本：/learning/what-is-contrastive-learning.md
- [對比語言圖像預訓練 是什麼？](/learning/what-is-clip): CLIP (Contrastive Language-Image Pre-training) 是一種透過對比學習，將圖像與文字描述連結的模型，能進行零樣本圖像分類，無需針對特定任務重新訓練。 Markdown 版本：/learning/what-is-clip.md
- [對話式人工智慧 是什麼？](/learning/what-is-conversational-ai): 對話式人工智慧是指能透過自然語言與人類進行互動的AI系統，例如聊天機器人或語音助理，旨在提供更自然、直觀的互動體驗。 Markdown 版本：/learning/what-is-conversational-ai.md
- [對話系統 是什麼？](/learning/what-is-dialogue-system): 對話系統是一種能與人類進行自然語言互動的AI系統，目標是理解使用者意圖並提供適當的回應，完成特定任務或提供資訊。 Markdown 版本：/learning/what-is-dialogue-system.md
- [對齊校準 是什麼？](/learning/what-is-alignment): 對齊校準是指使AI模型，特別是大型語言模型，的行為與人類意圖、價值觀和倫理規範相符的過程，降低潛在風險。 Markdown 版本：/learning/what-is-alignment.md
- [少樣本學習 是什麼？](/learning/what-is-few-shot-learning): 少樣本學習讓模型僅憑少數標記範例即可泛化至新任務，突破傳統機器學習對大量訓練資料的依賴 Markdown 版本：/learning/what-is-few-shot-learning.md
- [層歸一化 是什麼？](/learning/what-is-layer-normalization): 層歸一化是一種神經網路正規化技術，它在每個層級對所有神經元的激活值進行歸一化，以加速訓練並提高泛化能力。 Markdown 版本：/learning/what-is-layer-normalization.md
- [嵌入表示 是什麼？](/learning/what-is-embedding): 嵌入表示將離散的文字或類別映射為連續稠密向量，讓模型能捕捉語義相似性並進行數學運算 Markdown 版本：/learning/what-is-embedding.md
- [工作流程自動化 是什麼？](/learning/what-is-workflow-automation): 工作流程自動化是指利用技術自動執行重複性、基於規則的任務和流程，以提高效率、減少錯誤並釋放人力資源。 Markdown 版本：/learning/what-is-workflow-automation.md
- [工具使用能力 是什麼？](/learning/what-is-tool-use): 工具使用能力是指大型語言模型利用外部工具（例如API、資料庫）來擴展其功能，完成更複雜任務的能力。 Markdown 版本：/learning/what-is-tool-use.md
- [差分整合移動平均 是什麼？](/learning/what-is-arima): ARIMA是一種廣泛使用的時間序列預測模型，結合了自迴歸、差分和移動平均三個部分，用於分析和預測時間序列資料。 Markdown 版本：/learning/what-is-arima.md
- [差分隱私 是什麼？](/learning/what-is-differential-privacy): 差分隱私是一種資料匿名化技術，透過在統計查詢結果中注入隨機噪音，在公開資料的同時保護個別資料點的隱私。 Markdown 版本：/learning/what-is-differential-privacy.md
- [常態分佈 是什麼？](/learning/what-is-normal-distribution): 常態分佈是一種連續機率分佈，其機率密度函數呈鐘形曲線，平均數、中位數和眾數相等，數據集中在平均值附近。 Markdown 版本：/learning/what-is-normal-distribution.md
- [平均絕對誤差 是什麼？](/learning/what-is-mean-absolute-error): 平均絕對誤差（MAE）是衡量預測值與實際值之間平均絕對差異的指標，數值越小代表模型預測越準確。 Markdown 版本：/learning/what-is-mean-absolute-error.md
- [序列到序列模型 是什麼？](/learning/what-is-seq2seq): Seq2Seq模型是一種將一個序列轉換為另一個序列的深度學習模型，廣泛應用於機器翻譯、文本摘要、語音辨識等任務。 Markdown 版本：/learning/what-is-seq2seq.md
- [弱監督學習 是什麼？](/learning/what-is-weak-supervision): 弱監督學習利用不精確、不完整或帶有雜訊的標籤資料來訓練機器學習模型，降低對大量精確標註資料的依賴。 Markdown 版本：/learning/what-is-weak-supervision.md
- [張量處理單元 是什麼？](/learning/what-is-tpu): 張量處理單元（TPU）是Google專為加速機器學習工作負載而設計的客製化硬體加速器，尤其擅長處理張量運算，是深度學習的利器。 Markdown 版本：/learning/what-is-tpu.md
- [強化學習 是什麼？](/learning/what-is-reinforcement-learning): 強化學習是一種讓 AI 透過與環境互動，從獎勵和懲罰中學習，進而找到最佳行動策略的方法 Markdown 版本：/learning/what-is-reinforcement-learning.md
- [影像分割 是什麼？](/learning/what-is-image-segmentation): 影像分割是一種電腦視覺技術，將影像劃分為多個區域或物件，以便分析或理解影像內容，常用於醫學影像分析、自動駕駛等。 Markdown 版本：/learning/what-is-image-segmentation.md
- [後門攻擊 是什麼？](/learning/what-is-backdoor-attack): 後門攻擊是一種針對機器學習模型的惡意攻擊，攻擊者在模型中植入後門，使其在特定觸發條件下產生預設的錯誤輸出。 Markdown 版本：/learning/what-is-backdoor-attack.md
- [循環神經網路 是什麼？](/learning/what-is-recurrent-neural-network): 循環神經網路是一種具備「記憶」功能的神經網路，其能處理序列資料，並將前一步的輸出回饋至下一步 Markdown 版本：/learning/what-is-recurrent-neural-network.md
- [微調 是什麼？](/learning/what-is-fine-tuning): 微調是在預訓練模型基礎上，以少量特定領域資料繼續訓練，使通用模型適應特定任務需求，提升性能。 Markdown 版本：/learning/what-is-fine-tuning.md
- [思維鏈 是什麼？](/learning/what-is-chain-of-thought): 思維鏈是一種讓大型語言模型逐步推理，而非直接給出答案，以提升複雜問題解答正確率的方法 Markdown 版本：/learning/what-is-chain-of-thought.md
- [思維鏈提示 是什麼？](/learning/what-is-chain-of-thought-prompting): 思維鏈提示是一種Prompt工程技術，透過引導模型逐步推理，提升複雜問題的解答品質與可解釋性。 Markdown 版本：/learning/what-is-chain-of-thought-prompting.md
- [情感分析 是什麼？](/learning/what-is-sentiment-analysis): 情感分析是一種自然語言處理技術，用於識別和提取文本中的主觀情感，例如正面、負面或中性情緒，應用於輿情監控、客戶回饋分析等。 Markdown 版本：/learning/what-is-sentiment-analysis.md
- [惡意軟體偵測 是什麼？](/learning/what-is-malware-detection): 惡意軟體偵測是利用AI技術識別並阻止惡意軟體感染系統的過程，旨在保護電腦、網路和資料免受損害。 Markdown 版本：/learning/what-is-malware-detection.md
- [意圖分類 是什麼？](/learning/what-is-intent-classification): 意圖分類是自然語言處理中的一項任務，旨在將一段文字（例如使用者查詢）分類到預定義的意圖類別中，以理解使用者的目的。 Markdown 版本：/learning/what-is-intent-classification.md
- [感知器 是什麼？](/learning/what-is-perceptron): 感知器是最簡單的神經網路模型，模擬生物神經元，接收輸入、加權求和、通過激活函數輸出，用於二元分類。 Markdown 版本：/learning/what-is-perceptron.md
- [憲法式AI原則 是什麼？](/learning/what-is-constitutional-ai-principles): 憲法式AI原則是一種透過明確的價值觀或「憲法」來引導AI系統行為的方法，旨在確保AI的輸出符合人類的期望和倫理標準。 Markdown 版本：/learning/what-is-constitutional-ai-principles.md
- [成員推斷攻擊 是什麼？](/learning/what-is-membership-inference-attack): 成員推斷攻擊旨在判斷特定資料點是否曾被用於訓練機器學習模型。攻擊者利用模型輸出來推斷訓練資料的成員關係，可能洩漏隱私資訊。 Markdown 版本：/learning/what-is-membership-inference-attack.md
- [成本效益分析 是什麼？](/learning/what-is-cost-benefit-analysis): 成本效益分析是評估 AI 專案投資回報的方法，計算直接節省成本加上間接效益後，扣除導入與維運成本，以判斷專案是否值得執行 Markdown 版本：/learning/what-is-cost-benefit-analysis.md
- [批次大小 是什麼？](/learning/what-is-batch-size): 批次大小是訓練時每次更新模型參數所使用的樣本數，直接影響訓練速度、記憶體用量與模型收斂穩定性 Markdown 版本：/learning/what-is-batch-size.md
- [批次推論 是什麼？](/learning/what-is-batch-inference): 批次推論是指將大量資料一次性輸入模型進行預測，適用於對延遲不敏感的場景，例如定期報表生成或離線資料分析。 Markdown 版本：/learning/what-is-batch-inference.md
- [批次正規化 是什麼？](/learning/what-is-batch-normalization): 批次正規化是一種標準化技巧，針對每層網路的輸入進行調整，使訓練過程更穩定，並允許使用較大的學習率 Markdown 版本：/learning/what-is-batch-normalization.md
- [投資組合最佳化 是什麼？](/learning/what-is-portfolio-optimization): 投資組合最佳化利用數學模型，在給定的風險承受度下，尋求最大化投資回報或在給定的回報目標下，最小化投資風險。 Markdown 版本：/learning/what-is-portfolio-optimization.md
- [拉格朗日乘數 是什麼？](/learning/what-is-lagrange-multiplier): 拉格朗日乘數是一種尋找約束條件下函數極值的方法。它引入拉格朗日函數，將約束條件納入目標函數，從而將約束優化問題轉化為無約束優化問題。 Markdown 版本：/learning/what-is-lagrange-multiplier.md
- [持續學習 是什麼？](/learning/what-is-continual-learning): 持續學習旨在使AI模型能夠在不遺忘先前知識的情況下，逐步學習新的任務和資料，模擬人類終身學習的能力。 Markdown 版本：/learning/what-is-continual-learning.md
- [指代消解 是什麼？](/learning/what-is-anaphora-resolution): 指代消解是自然語言處理中的一項任務，旨在確定文本中代詞或其他指稱語所指代的先行詞，以理解文本的完整含義。 Markdown 版本：/learning/what-is-anaphora-resolution.md
- [指令微調 是什麼？](/learning/what-is-instruction-tuning): 指令微調是一種利用特定格式指令資料集，微調預訓練語言模型，使其更精確理解並執行人類指令的技術。 Markdown 版本：/learning/what-is-instruction-tuning.md
- [指數平滑法 是什麼？](/learning/what-is-exponential-smoothing): 指數平滑法是一系列時序預測方法，使用加權平均數，其中權重隨著時間的推移呈指數衰減，更重視近期觀測值。 Markdown 版本：/learning/what-is-exponential-smoothing.md
- [探索與利用 是什麼？](/learning/what-is-exploration-vs-exploitation): 探索與利用是強化學習中的權衡，探索是指嘗試新動作以發現潛在的更好策略，利用是指使用已知最佳策略以獲得最大獎勵。 Markdown 版本：/learning/what-is-exploration-vs-exploitation.md
- [控制網路 是什麼？](/learning/what-is-controlnet): ControlNet 是一種神經網路結構，用於控制大型擴散模型，例如 Stable Diffusion，以實現更精確的圖像生成控制，例如基於草圖或邊緣圖生成圖像。 Markdown 版本：/learning/what-is-controlnet.md
- [推測解碼 是什麼？](/learning/what-is-speculative-decoding): 推測解碼是一種加速大型語言模型推論速度的技術，透過小型模型預測多個token，再由大型模型驗證，減少計算量。 Markdown 版本：/learning/what-is-speculative-decoding.md
- [推理能力 是什麼？](/learning/what-is-reasoning): 推理能力是指AI系統基於已知資訊和規則，進行邏輯推導，得出結論或解決問題的能力。是AI模擬人類智慧的關鍵組成部分。 Markdown 版本：/learning/what-is-reasoning.md
- [推薦系統 是什麼？](/learning/what-is-recommender-system): 推薦系統是一種利用演算法預測使用者對物品偏好的資訊過濾系統，旨在幫助使用者發現感興趣的內容，並提升平台互動與銷售。 Markdown 版本：/learning/what-is-recommender-system.md
- [推論 是什麼？](/learning/what-is-inference): 推論是指利用已訓練好的機器學習模型，對新的、未曾見過的資料進行預測或判斷的過程。是模型部署後的核心環節。 Markdown 版本：/learning/what-is-inference.md
- [推論最佳化 是什麼？](/learning/what-is-inference-optimization): 推論最佳化旨在提升已訓練模型的推論速度、降低資源消耗，使其更有效率地部署於實際應用中。 Markdown 版本：/learning/what-is-inference-optimization.md
- [描述性統計 是什麼？](/learning/what-is-descriptive-statistics): 描述性統計使用數值摘要（平均數、中位數、標準差等）和圖表來描述資料集的集中趨勢、離散程度與分佈型態，是資料分析的第一步 Markdown 版本：/learning/what-is-descriptive-statistics.md
- [提前終止 是什麼？](/learning/what-is-early-stopping): 提前終止是一種機器學習訓練技巧，藉由監控驗證損失，在模型過度擬合前及早停止訓練，以提高泛化能力。 Markdown 版本：/learning/what-is-early-stopping.md
- [提升算法 是什麼？](/learning/what-is-boosting): Boosting 是一種集成學習技術，透過迭代訓練一系列弱學習器，每個學習器都試圖糾正前一個學習器的錯誤，最終將它們組合起來形成一個強學習器。 Markdown 版本：/learning/what-is-boosting.md
- [提取式摘要技術 是什麼？](/learning/what-is-extractive-summarization): 提取式摘要技術從原文中選擇重要句子組成摘要，簡單直接，易於實現，但可能缺乏連貫性，且無法進行語義概括。 Markdown 版本：/learning/what-is-extractive-summarization.md
- [提示工程 是什麼？](/learning/what-is-prompt-engineering): 提示工程是設計與優化輸入給 AI 模型的指令，以引導模型產生更準確、符合需求的回應 Markdown 版本：/learning/what-is-prompt-engineering.md
- [提示詞注入 是什麼？](/learning/what-is-prompt-injection): 提示詞注入是一種安全漏洞，攻擊者通過惡意設計的提示詞操控大型語言模型的行為，使其忽略或違反原始指令。 Markdown 版本：/learning/what-is-prompt-injection.md
- [損失函數 是什麼？](/learning/what-is-loss-function): 損失函數衡量模型預測與實際值之間的差異，數值越小代表模型預測越準確，是模型訓練中優化目標的關鍵組成部分。 Markdown 版本：/learning/what-is-loss-function.md
- [摘要生成技術 是什麼？](/learning/what-is-abstractive-summarization): 摘要生成技術利用AI理解原文，並以新的句子和詞彙生成摘要，更接近人類的摘要方式，但實現難度較高。 Markdown 版本：/learning/what-is-abstractive-summarization.md
- [擴散模型 是什麼？](/learning/what-is-diffusion-model): 擴散模型是一種生成模型，透過逐步將雜訊還原成清晰圖像，達成從隨機雜訊生成資料的目的 Markdown 版本：/learning/what-is-diffusion-model.md
- [支持向量機 是什麼？](/learning/what-is-support-vector-machine): 支持向量機是一種機器學習模型，透過尋找最大邊界的超平面，將不同類別的資料有效分隔 Markdown 版本：/learning/what-is-support-vector-machine.md
- [放射醫學AI 是什麼？](/learning/what-is-radiology-ai): 放射醫學AI利用人工智慧技術分析醫學影像，輔助醫生診斷疾病，提高診斷效率和準確性，並減少人為錯誤。 Markdown 版本：/learning/what-is-radiology-ai.md
- [啟發網路 是什麼？](/learning/what-is-inception-network): Inception Network 是一種深度卷積神經網路架構，旨在透過並行使用多種卷積核大小，捕捉不同尺度的特徵，提升模型效能。 Markdown 版本：/learning/what-is-inception-network.md
- [數位分身 是什麼？](/learning/what-is-digital-twin): 數位分身是真實世界實體或系統的虛擬化身，通過收集數據進行模擬、監控和預測，以優化性能、預防故障和做出更明智的決策。 Markdown 版本：/learning/what-is-digital-twin.md
- [文字生成3D模型 是什麼？](/learning/what-is-text-to-3d): 文字生成3D模型是指利用人工智慧技術，將文字描述轉換為對應的3D模型，實現從文字到視覺化模型的自動生成。 Markdown 版本：/learning/what-is-text-to-3d.md
- [文字生成圖像 是什麼？](/learning/what-is-text-to-image): 文字生成圖像是一種人工智慧技術，它能根據文字描述自動生成對應的圖像，實現文字內容的視覺化呈現。 Markdown 版本：/learning/what-is-text-to-image.md
- [文字生成影片 是什麼？](/learning/what-is-text-to-video): 文字生成影片是一種人工智慧技術，它能根據文字描述自動生成對應的影片，將文字內容轉化為動態視覺呈現。 Markdown 版本：/learning/what-is-text-to-video.md
- [文字轉語音 是什麼？](/learning/what-is-text-to-speech): 文字轉語音 (TTS) 技術將文字轉換為人類可理解的語音。它廣泛應用於輔助工具、語音助手和內容創作等領域。 Markdown 版本：/learning/what-is-text-to-speech.md
- [文字轉語音 是什麼？](/learning/what-is-text-to-audio): 文字轉語音（TTS）是一種人工智慧技術，能將書面文字精準地轉換為自然流暢且富有表現力的人類語音，廣泛應用於語音助理、有聲書和無障礙輔助等領域。 Markdown 版本：/learning/what-is-text-to-audio.md
- [文本分類 是什麼？](/learning/what-is-text-classification): 文本分類是自然語言處理中的一項任務，旨在將文本自動分配到預定義的類別中。它應用廣泛，例如垃圾郵件檢測、情感分析等。 Markdown 版本：/learning/what-is-text-classification.md
- [文本到文本 是什麼？](/learning/what-is-t5): T5 (Text-to-Text Transfer Transformer) 是一種將所有 NLP 任務轉換為文本到文本格式的轉換器模型，簡化了模型訓練和應用。 Markdown 版本：/learning/what-is-t5.md
- [文本摘要 是什麼？](/learning/what-is-text-summarization): 文本摘要是自然語言處理中的一項任務，旨在從一篇或多篇文章中生成簡潔且信息豐富的摘要。分為抽取式和生成式兩種方法。 Markdown 版本：/learning/what-is-text-summarization.md
- [時序差分學習 是什麼？](/learning/what-is-temporal-difference-learning): 時序差分學習是一種強化學習方法，透過預測未來獎勵並更新預測值，從不完整的序列中學習，無需等待完整結果。 Markdown 版本：/learning/what-is-temporal-difference-learning.md
- [時間序列分析 是什麼？](/learning/what-is-time-series-analysis): 時間序列分析是研究按時間順序排列的數據點序列，以識別模式、趨勢和週期性，並預測未來值。 Markdown 版本：/learning/what-is-time-series-analysis.md
- [曼巴模型 是什麼？](/learning/what-is-mamba): Mamba是一種基於選擇機制的序列模型，旨在解決Transformer在長序列建模上的效率瓶頸，透過硬體感知演算法提升運算速度。 Markdown 版本：/learning/what-is-mamba.md
- [期望最大化算法 是什麼？](/learning/what-is-expectation-maximization): 期望最大化 (EM) 算法是一種迭代算法，用於在存在隱變量的情況下，估計機率模型的參數。它交替執行期望 (E) 步驟和最大化 (M) 步驟。 Markdown 版本：/learning/what-is-expectation-maximization.md
- [本體論 是什麼？](/learning/what-is-ontology): 本體論是明確指定領域概念及其關係的正式表示，用於知識共享和推理，是知識圖譜的基礎。 Markdown 版本：/learning/what-is-ontology.md
- [梅爾頻譜圖 是什麼？](/learning/what-is-mel-spectrogram): 梅爾頻譜圖是一種音訊訊號的視覺表示，它將音訊的頻率轉換到梅爾尺度上，更符合人類聽覺感知，常用於語音辨識和音訊分析。 Markdown 版本：/learning/what-is-mel-spectrogram.md
- [梯度下降 是什麼？](/learning/what-is-gradient-descent): 梯度下降是一種透過反覆運算，沿損失函數的梯度方向，逐步逼近損失函數最小值的演算法 Markdown 版本：/learning/what-is-gradient-descent.md
- [梯度加權類激活圖 是什麼？](/learning/what-is-grad-cam): Grad-CAM是一種可視化技術，利用梯度資訊來突出顯示輸入圖像中對模型預測最重要的區域，提供模型決策的可解釋性。 Markdown 版本：/learning/what-is-grad-cam.md
- [梯度提升法 是什麼？](/learning/what-is-gradient-boosting): 梯度提升法是一種機器學習技術，透過迭代地組合弱學習器（通常是決策樹）來建立強大的預測模型，每次迭代都專注於修正前一個模型的錯誤。 Markdown 版本：/learning/what-is-gradient-boosting.md
- [梯度消失 是什麼？](/learning/what-is-vanishing-gradient): 梯度消失是指在深度學習模型訓練中，梯度在反向傳播時逐漸縮小至接近於零，導致淺層網路權重難以更新，模型學習停滯。 Markdown 版本：/learning/what-is-vanishing-gradient.md
- [梯度爆炸 是什麼？](/learning/what-is-exploding-gradient): 梯度爆炸是指在深度學習模型訓練中，梯度在反向傳播時變得異常巨大，導致權重更新過大，模型訓練不穩定甚至崩潰。 Markdown 版本：/learning/what-is-exploding-gradient.md
- [梯度裁剪 是什麼？](/learning/what-is-gradient-clipping): 梯度裁剪是一種防止梯度爆炸問題的技術，通過限制梯度的大小，確保訓練過程的穩定性，避免模型參數更新過大。 Markdown 版本：/learning/what-is-gradient-clipping.md
- [極端梯度提升 是什麼？](/learning/what-is-extreme-gradient-boosting): GBDT 的進化版，加入正則化防過擬合，支援缺失值和並行化，是比賽和業界的常勝軍 Markdown 版本：/learning/what-is-extreme-gradient-boosting.md
- [概念漂移 是什麼？](/learning/what-is-concept-drift): 概念漂移是指機器學習模型在部署後，由於資料分佈隨時間變化，導致模型預測準確度下降的現象。需要持續監控並重新訓練模型。 Markdown 版本：/learning/what-is-concept-drift.md
- [概念瓶頸模型 是什麼？](/learning/what-is-concept-bottleneck-model): 概念瓶頸模型是一種深度學習模型，它強制模型通過人類可理解的概念來進行預測，從而提高模型的可解釋性和可控性。 Markdown 版本：/learning/what-is-concept-bottleneck-model.md
- [槽位填充 是什麼？](/learning/what-is-slot-filling): 槽位填充是自然語言理解中的一項任務，旨在從文本中提取特定資訊，並將其填入預定義的槽位中，以形成結構化資料。 Markdown 版本：/learning/what-is-slot-filling.md
- [標籤編碼 是什麼？](/learning/what-is-label-encoding): 標籤編碼是將類別型資料轉換為整數，以便機器學習模型處理，但需注意可能產生不必要的順序關係 Markdown 版本：/learning/what-is-label-encoding.md
- [標籤雜訊 是什麼？](/learning/what-is-label-noise): 標籤雜訊是指訓練資料集中不正確或錯誤的標籤。這些錯誤標籤會降低模型效能，導致模型學習到錯誤的模式。 Markdown 版本：/learning/what-is-label-noise.md
- [標註者一致性 是什麼？](/learning/what-is-inter-annotator-agreement): 標註者一致性衡量多位標註者在相同資料上標註結果的相似程度。高一致性代表標註品質良好，反之則可能需要重新評估標註規範。 Markdown 版本：/learning/what-is-inter-annotator-agreement.md
- [模型剪枝 是什麼？](/learning/what-is-pruning): 模型剪枝是一種減少模型大小和計算複雜度的技術，透過移除模型中不重要的權重或神經元來實現。 Markdown 版本：/learning/what-is-pruning.md
- [模型即服務 是什麼？](/learning/what-is-model-as-a-service): 模型即服務(MaaS)是一種雲端運算服務，提供預先訓練好的機器學習模型，讓使用者透過API存取並應用於各種任務，無需自行訓練模型。 Markdown 版本：/learning/what-is-model-as-a-service.md
- [模型參數 是什麼？](/learning/what-is-parameters): 模型參數是機器學習模型在訓練過程中學習到的數值，用於決定模型如何對輸入資料進行轉換和預測。它們是模型的內部變數。 Markdown 版本：/learning/what-is-parameters.md
- [模型反演攻擊 是什麼？](/learning/what-is-model-inversion-attack): 模型反演攻擊是一種試圖從機器學習模型中恢復訓練數據或敏感資訊的攻擊方式，藉此洩漏隱私。 Markdown 版本：/learning/what-is-model-inversion-attack.md
- [模型壓縮 是什麼？](/learning/what-is-model-compression): 模型壓縮是指減少機器學習模型大小和計算複雜度的技術，以便在資源有限的設備上部署，同時保持模型性能。 Markdown 版本：/learning/what-is-model-compression.md
- [模型平行化 是什麼？](/learning/what-is-model-parallelism): 模型平行化是一種將大型模型分割到多個裝置上進行訓練或推論的技術，以克服單一裝置的記憶體限制。 Markdown 版本：/learning/what-is-model-parallelism.md
- [模型快取 是什麼？](/learning/what-is-model-caching): 模型快取是一種將已訓練的模型儲存在記憶體或快速儲存裝置中，以加速模型載入和推論的技術。 Markdown 版本：/learning/what-is-model-caching.md
- [模型服務化 是什麼？](/learning/what-is-model-serving): 模型服務化是指將訓練好的機器學習模型部署到生產環境，使其能夠接收請求並返回預測結果的過程。 Markdown 版本：/learning/what-is-model-serving.md
- [模型版本控制 是什麼？](/learning/what-is-model-versioning): 模型版本控制是追蹤和管理機器學習模型不同迭代的過程，確保可重複性、可追溯性和協作。 Markdown 版本：/learning/what-is-model-versioning.md
- [模型登錄庫 是什麼？](/learning/what-is-model-registry): 模型登錄庫是集中管理 AI 模型版本、追蹤訓練紀錄與部署狀態的系統，如同模型的戶籍系統 Markdown 版本：/learning/what-is-model-registry.md
- [模型監控 是什麼？](/learning/what-is-model-monitoring): 模型監控是持續追蹤機器學習模型在生產環境中的效能和行為，以確保其準確性、可靠性和公平性。及時發現並解決問題。 Markdown 版本：/learning/what-is-model-monitoring.md
- [模型部署 是什麼？](/learning/what-is-model-deployment): 模型部署是指將訓練完成的機器學習模型整合到實際應用環境中，使其能夠接收輸入數據並產生預測結果，為業務決策提供支援。 Markdown 版本：/learning/what-is-model-deployment.md
- [模型量化 是什麼？](/learning/what-is-quantization): 模型量化是一種降低模型大小和加速推論的技術，透過減少模型權重和激活值的精度來實現。 Markdown 版本：/learning/what-is-quantization.md
- [模擬至實轉移 是什麼？](/learning/what-is-sim-to-real-transfer): 模擬至實轉移是一種將在模擬環境中訓練的模型應用到真實世界的方法，旨在克服模擬與現實之間的差異，提升模型泛化能力。 Markdown 版本：/learning/what-is-sim-to-real-transfer.md
- [樸素貝氏 是什麼？](/learning/what-is-naive-bayes): 樸素貝氏分類器是一種基於貝氏定理的簡單機率分類器。它假設所有特徵之間相互獨立，簡化了計算複雜度，因此得名「樸素」。常用於文本分類等任務。 Markdown 版本：/learning/what-is-naive-bayes.md
- [機制性可解釋性 是什麼？](/learning/what-is-mechanistic-interpretability): 機制性可解釋性旨在理解AI模型內部運作的具體機制，如同理解程式碼般，而非僅僅觀察輸入輸出關係。 Markdown 版本：/learning/what-is-mechanistic-interpretability.md
- [機器人學 是什麼？](/learning/what-is-robotics): 機器人學是設計、建造、操作和應用機器人的科學和工程學科，涉及機械工程、電子工程、電腦科學等多個領域。 Markdown 版本：/learning/what-is-robotics.md
- [機器人流程自動化 是什麼？](/learning/what-is-robotic-process-automation): RPA（機器人流程自動化）用軟體機器人模擬人類操作電腦，自動執行重複性業務流程，廣泛應用於金融對帳、訂單處理、HR 入職等高量重複性作業。 Markdown 版本：/learning/what-is-robotic-process-automation.md
- [機器人理財顧問 是什麼？](/learning/what-is-robo-advisor): 機器人理財顧問是一種使用演算法和人工智慧來提供自動化投資建議和管理服務的平台，旨在降低投資門檻和成本。 Markdown 版本：/learning/what-is-robo-advisor.md
- [機器學習 是什麼？](/learning/what-is-machine-learning): 機器學習讓電腦透過分析大量資料自動找出規律，無需明確程式指令即可完成預測與分類任務 Markdown 版本：/learning/what-is-machine-learning.md
- [機器學習管線 是什麼？](/learning/what-is-ml-pipeline): 機器學習管線是自動化機器學習工作流程的步驟序列，包括資料準備、模型訓練、評估和部署。 Markdown 版本：/learning/what-is-ml-pipeline.md
- [機器學習維運 是什麼？](/learning/what-is-mlops): MLOps 是一種將機器學習模型開發與部署流程標準化的方法，旨在加速模型迭代、提高可靠性並簡化維護。 Markdown 版本：/learning/what-is-mlops.md
- [機器學習維運 是什麼？](/learning/what-is-machine-learning-operations): 把 DevOps 的實踐應用到 ML 系統上，自動化模型的訓練、部署、監控全生命週期 Markdown 版本：/learning/what-is-machine-learning-operations.md
- [機器翻譯 是什麼？](/learning/what-is-machine-translation): 機器翻譯是利用電腦程式自動將文字或語音從一種語言轉換成另一種語言的技術，旨在打破語言障礙，促進跨文化交流。 Markdown 版本：/learning/what-is-machine-translation.md
- [機率分佈 是什麼？](/learning/what-is-probability-distribution): 機率分佈描述了隨機變數所有可能取值及其對應的機率。它可以是離散的（例如二項分佈）或連續的（例如常態分佈）。 Markdown 版本：/learning/what-is-probability-distribution.md
- [檢索增強微調 是什麼？](/learning/what-is-retrieval-augmented-fine-tuning): 檢索增強微調結合了檢索式和生成式模型的優勢，透過檢索相關資訊來增強微調過程，提升模型在特定任務上的效能。 Markdown 版本：/learning/what-is-retrieval-augmented-fine-tuning.md
- [檢索增強生成 是什麼？](/learning/what-is-retrieval-augmented-generation): RAG（檢索增強生成）讓 AI 回答問題前先查詢外部知識庫，再結合查到的資料生成答案，大幅減少幻覺、提升回答準確性。 Markdown 版本：/learning/what-is-retrieval-augmented-generation.md
- [欠擬合 是什麼？](/learning/what-is-underfitting): 欠擬合指模型過於簡單，無法捕捉資料中的主要規律，訓練集與測試集的預測表現皆不理想 Markdown 版本：/learning/what-is-underfitting.md
- [次詞單元化 是什麼？](/learning/what-is-subword-tokenization): 次詞單元化是將單詞拆分為更小的子單元（次詞）的技術，用於解決詞彙量過大和未登錄詞（OOV）問題，提升模型泛化能力。 Markdown 版本：/learning/what-is-subword-tokenization.md
- [歐盟通用資料保護規範 是什麼？](/learning/what-is-general-data-protection-regulation): 歐盟通用資料保護規範是保障歐盟公民個人資料控制權的法規，對違規企業處以高額罰款，影響全球企業。 Markdown 版本：/learning/what-is-general-data-protection-regulation.md
- [正則化 是什麼？](/learning/what-is-regularization): 正則化是一種在機器學習中用於防止模型過度擬合的關鍵技術，它透過在損失函數中引入懲罰項，有效限制模型參數的複雜度，從而提升模型的泛化能力。 Markdown 版本：/learning/what-is-regularization.md
- [正規化 是什麼？](/learning/what-is-normalization): 正規化是一種資料前處理技術，將資料縮放到一個單位範數，例如L1或L2範數，使每個樣本的向量長度為1。 Markdown 版本：/learning/what-is-normalization.md
- [殘差網路 是什麼？](/learning/what-is-resnet): ResNet是一種深度學習模型，透過引入殘差連接解決深度神經網路訓練時的梯度消失問題，允許網路學習殘差映射而非直接映射。 Markdown 版本：/learning/what-is-resnet.md
- [殘差網路 是什麼？](/learning/what-is-residual-network): 殘差網路 (ResNet) 是一種深度神經網路架構，透過引入殘差連接來解決深度網路的梯度消失問題，允許訓練非常深的網路。 Markdown 版本：/learning/what-is-residual-network.md
- [決策樹 是什麼？](/learning/what-is-decision-tree): 決策樹是一種透過 if-else 條件判斷，將資料逐步拆解為更純粹子集的模型，具備高度可解釋性 Markdown 版本：/learning/what-is-decision-tree.md
- [泛化能力 是什麼？](/learning/what-is-generalization): 泛化能力是指機器學習模型在未見過的數據上表現良好的能力。一個具有良好泛化能力的模型能夠從訓練數據中學習到普遍規律，並應用於新數據。 Markdown 版本：/learning/what-is-generalization.md
- [波形網路 是什麼？](/learning/what-is-wavenet): WaveNet是一種深度生成模型，直接對原始音訊波形進行建模，能夠生成高品質的語音和音樂，並在語音合成領域取得了顯著的成果。 Markdown 版本：/learning/what-is-wavenet.md
- [注意力可視化 是什麼？](/learning/what-is-attention-visualization): 注意力可視化是一種技術，用於呈現神經網路模型在處理輸入時，將注意力集中在哪些部分。它能幫助理解模型決策過程，並診斷潛在問題。 Markdown 版本：/learning/what-is-attention-visualization.md
- [注意力機制 是什麼？](/learning/what-is-attention-mechanism): 注意力機制讓神經網路在處理序列資料時，動態分配不同位置的關注權重，提升長距離依賴的捕捉能力 Markdown 版本：/learning/what-is-attention-mechanism.md
- [流程協調 是什麼？](/learning/what-is-orchestration): 流程協調是指自動化安排、協調和管理複雜的計算機系統、應用程式和服務的過程，以實現特定目標。 Markdown 版本：/learning/what-is-orchestration.md
- [深度Q網路 是什麼？](/learning/what-is-deep-q-network): 深度Q網路（DQN）是一種結合深度學習與Q學習的強化學習演算法，利用深度神經網路逼近Q函數，解決高維度狀態空間的強化學習問題。 Markdown 版本：/learning/what-is-deep-q-network.md
- [深度偽造 是什麼？](/learning/what-is-deepfake): 深度偽造是利用深度學習技術合成的逼真音訊、圖像或影片，通常用於製造假新聞、詐騙或惡意中傷。 Markdown 版本：/learning/what-is-deepfake.md
- [深度偽造偵測 是什麼？](/learning/what-is-deepfake-detection): 深度偽造偵測旨在辨識經由深度學習技術偽造或操縱的影音內容，以防止不實資訊傳播和維護資訊真實性。 Markdown 版本：/learning/what-is-deepfake-detection.md
- [深度協同過濾 是什麼？](/learning/what-is-deep-collaborative-filtering): 深度協同過濾結合深度學習與協同過濾，利用神經網路學習使用者和物品的隱藏表示，以提升推薦準確度，尤其在處理複雜互動模式時。 Markdown 版本：/learning/what-is-deep-collaborative-filtering.md
- [深度學習 是什麼？](/learning/what-is-deep-learning): 深度學習是一種機器學習方法，透過多層神經網路自動從原始資料中提取階層特徵，解決複雜問題。 Markdown 版本：/learning/what-is-deep-learning.md
- [深度強化學習 是什麼？](/learning/what-is-deep-reinforcement-learning): 深度強化學習結合深度學習與強化學習，透過深度神經網路學習複雜策略，以在特定環境中最大化累積獎勵。 Markdown 版本：/learning/what-is-deep-reinforcement-learning.md
- [深度混合 是什麼？](/learning/what-is-mixture-of-depths): 深度混合是一種模型架構，它結合了多個不同深度的子網路，以提升模型的表達能力和泛化能力，並允許模型根據輸入動態調整其深度。 Markdown 版本：/learning/what-is-mixture-of-depths.md
- [混合搜尋 是什麼？](/learning/what-is-hybrid-search): 混合搜尋結合了多種搜尋技術，例如關鍵字搜尋和語義搜尋，以提高搜尋結果的相關性和準確性，提供更全面的資訊。 Markdown 版本：/learning/what-is-hybrid-search.md
- [混合精度訓練 是什麼？](/learning/what-is-mixed-precision-training): 混合精度訓練是一種使用不同精度（如 FP16 和 FP32）的浮點數進行模型訓練的技術，旨在加速訓練過程並減少記憶體佔用。 Markdown 版本：/learning/what-is-mixed-precision-training.md
- [測試時運算 是什麼？](/learning/what-is-test-time-compute): 測試時運算是指在模型部署後，進行推論時所使用的運算資源。目標是在效能和延遲之間取得平衡，以滿足實際應用需求。 Markdown 版本：/learning/what-is-test-time-compute.md
- [測試資料集 是什麼？](/learning/what-is-test-set): 測試資料集用於評估模型在未見過資料上的泛化能力，是模型效能的最終指標，在模型部署前使用。 Markdown 版本：/learning/what-is-test-set.md
- [湧現能力 是什麼？](/learning/what-is-emergent-abilities): 湧現能力是指大型語言模型在達到一定規模後，突然展現出在較小模型中未曾觀察到的複雜能力，例如推理、翻譯和程式碼生成。 Markdown 版本：/learning/what-is-emergent-abilities.md
- [準確率 是什麼？](/learning/what-is-accuracy): 所有預測中正確的比例 = (TP+TN)/(全部)。類別不平衡時容易被多數類主導 Markdown 版本：/learning/what-is-accuracy.md
- [演員-評論家 是什麼？](/learning/what-is-actor-critic): 演員-評論家是一種強化學習演算法，結合了策略梯度（演員）和時序差分學習（評論家）的優點，以實現更穩定的學習。 Markdown 版本：/learning/what-is-actor-critic.md
- [演算法 是什麼？](/learning/what-is-algorithm): 演算法是一組定義明確的指令，用於解決特定問題或執行特定任務。它接收輸入，經過一系列步驟處理，並產生輸出。 Markdown 版本：/learning/what-is-algorithm.md
- [演算法交易 是什麼？](/learning/what-is-algorithmic-trading): 演算法交易是指利用電腦程式自動執行交易指令，根據預先設定的規則和模型，在金融市場上進行買賣操作。 Markdown 版本：/learning/what-is-algorithmic-trading.md
- [演算法偏見 是什麼？](/learning/what-is-algorithmic-bias): 演算法偏見是指 AI 模型因訓練資料或設計缺陷而產生對特定族群不公平的預測結果，是 AI 治理與負責任 AI 的核心議題 Markdown 版本：/learning/what-is-algorithmic-bias.md
- [潛在擴散模型 是什麼？](/learning/what-is-latent-diffusion-model): 潛在擴散模型(LDM)是一種生成式AI模型，透過在潛在空間中進行擴散和逆擴散過程，生成高解析度、高品質的圖像或其他資料。 Markdown 版本：/learning/what-is-latent-diffusion-model.md
- [潛在空間 是什麼？](/learning/what-is-latent-space): 潛在空間是機器學習模型學習到的高維資料的壓縮表示，它捕捉了資料的底層結構和關係，並將其映射到一個低維空間。 Markdown 版本：/learning/what-is-latent-space.md
- [無伺服器機器學習 是什麼？](/learning/what-is-serverless-ml): 無伺服器機器學習是一種雲端運算模型，允許開發者在無需管理伺服器的情況下構建、訓練和部署機器學習模型，按實際使用量付費。 Markdown 版本：/learning/what-is-serverless-ml.md
- [無程式碼 是什麼？](/learning/what-is-no-code): 無程式碼是一種開發平台，讓使用者無需編寫任何程式碼，也能建立應用程式或自動化流程 Markdown 版本：/learning/what-is-no-code.md
- [焦點損失函數 是什麼？](/learning/what-is-focal-loss): 焦點損失函數 (Focal Loss) 是一種用於解決物件偵測中類別不平衡問題的損失函數，它通過降低易分類樣本的權重，使模型更關注難分類樣本。 Markdown 版本：/learning/what-is-focal-loss.md
- [熵 是什麼？](/learning/what-is-entropy): 熵是資訊理論中衡量隨機變數不確定性的指標，數值越高代表不確定性越大。在機器學習中，熵常用於特徵選擇和決策樹構建。 Markdown 版本：/learning/what-is-entropy.md
- [物件偵測 是什麼？](/learning/what-is-object-detection): 物件偵測是一種電腦視覺技術，用於識別影像或影片中特定物件的位置和類別，常用於自動駕駛、安全監控、零售分析等。 Markdown 版本：/learning/what-is-object-detection.md
- [特徵值 是什麼？](/learning/what-is-eigenvalue): 特徵值是線性變換作用於向量後，該向量長度縮放的比例。它描述了變換對特定方向向量的影響程度。 Markdown 版本：/learning/what-is-eigenvalue.md
- [特徵儲存庫 是什麼？](/learning/what-is-feature-store): 特徵儲存庫是一個集中管理和共享機器學習特徵的平台，確保特徵一致性、可重用性，並簡化特徵工程流程。 Markdown 版本：/learning/what-is-feature-store.md
- [特徵向量 是什麼？](/learning/what-is-eigenvector): 特徵向量是指在線性變換下，方向保持不變或僅反向的非零向量。它對應於特定的特徵值，代表變換的主要作用方向。 Markdown 版本：/learning/what-is-eigenvector.md
- [特徵工程 是什麼？](/learning/what-is-feature-engineering): 特徵工程透過創建、轉換與選擇原始資料的代表性特徵，顯著提升機器學習模型的預測效果 Markdown 版本：/learning/what-is-feature-engineering.md
- [特徵擷取 是什麼？](/learning/what-is-feature-extraction): 特徵擷取是從原始資料中自動識別並提取有意義的特徵表示的過程，目的是降低資料維度同時保留關鍵資訊，提升模型學習效率 Markdown 版本：/learning/what-is-feature-extraction.md
- [特徵縮放 是什麼？](/learning/what-is-feature-scaling): 特徵縮放是一種資料前處理技術，用於將不同範圍的特徵值縮放到一個統一的範圍內，避免某些特徵主導模型訓練。 Markdown 版本：/learning/what-is-feature-scaling.md
- [特徵選擇法 是什麼？](/learning/what-is-feature-selection): 特徵選擇是機器學習中選擇最相關特徵子集的過程，旨在簡化模型、提高準確性、減少過擬合和提升模型的可解釋性。 Markdown 版本：/learning/what-is-feature-selection.md
- [特徵金字塔網路 是什麼？](/learning/what-is-feature-pyramid-network): 特徵金字塔網路(FPN)是一種用於目標檢測的深度學習架構，旨在從不同尺度的特徵圖中提取豐富的語義信息，以提升小目標的檢測性能。 Markdown 版本：/learning/what-is-feature-pyramid-network.md
- [狀態機模型 是什麼？](/learning/what-is-state-machine): 狀態機模型是一種計算模型，系統在任何給定時間都處於有限數量的狀態之一，並根據輸入在狀態之間轉換。 Markdown 版本：/learning/what-is-state-machine.md
- [狀態空間模型 是什麼？](/learning/what-is-state-space-model): 狀態空間模型是一種數學模型，用於描述系統隨時間演變的狀態。它包含狀態方程和觀測方程，廣泛應用於控制、預測和訊號處理。 Markdown 版本：/learning/what-is-state-space-model.md
- [獎勵函數 是什麼？](/learning/what-is-reward-function): 獎勵函數是強化學習中定義代理在特定狀態下採取特定動作後獲得的獎勵的函數，用於引導代理學習期望行為。 Markdown 版本：/learning/what-is-reward-function.md
- [獎勵建模 是什麼？](/learning/what-is-reward-modeling): 獎勵建模是訓練AI模型以預測人類對不同結果的偏好，用於強化學習中，引導模型學習符合人類價值的行為。 Markdown 版本：/learning/what-is-reward-modeling.md
- [獨熱編碼 是什麼？](/learning/what-is-one-hot-encoding): 獨熱編碼是一種將類別資料轉換為二元向量的方法，為每個類別建立獨立欄位，存在時標記為 1，其餘為 0 Markdown 版本：/learning/what-is-one-hot-encoding.md
- [環狀注意力 是什麼？](/learning/what-is-ring-attention): 環狀注意力是一種分散式注意力機制，將注意力計算分散到多個設備上，減少單一設備的記憶體需求，適用於超大型模型。 Markdown 版本：/learning/what-is-ring-attention.md
- [生成對抗網路 是什麼？](/learning/what-is-generative-adversarial-network): 生成對抗網路是一種透過生成器與鑑別器互相對抗學習，最終使生成器能產出逼真資料的深度學習模型 Markdown 版本：/learning/what-is-generative-adversarial-network.md
- [生成式 AI 是什麼？](/learning/what-is-generative-ai): 生成式 AI 是能夠產生新內容（文字、圖像、音訊、程式碼等）的人工智慧系統，基於學習大量訓練資料的分佈特徵來生成符合語境的輸出 Markdown 版本：/learning/what-is-generative-ai.md
- [生成式預訓練模型 是什麼？](/learning/what-is-gpt): GPT是一種基於Transformer架構的大型語言模型，透過預訓練學習大量文本資料，用於生成文本、翻譯語言、回答問題等。 Markdown 版本：/learning/what-is-gpt.md
- [生成式預訓練轉換器 是什麼？](/learning/what-is-generative-pre-trained-transformer): OpenAI 的自回歸語言模型，一個字接一個字生成文本，只使用 Decoder 架構 Markdown 版本：/learning/what-is-generative-pre-trained-transformer.md
- [異常偵測 是什麼？](/learning/what-is-anomaly-detection): 異常偵測是指識別數據集中與預期模式顯著不同的數據點，這些異常點可能指示錯誤、欺詐或其他不尋常的事件。 Markdown 版本：/learning/what-is-anomaly-detection.md
- [病理學AI 是什麼？](/learning/what-is-pathology-ai): 病理學AI利用人工智慧分析組織切片影像，輔助病理醫生診斷癌症、感染等疾病，提升診斷效率和客觀性。 Markdown 版本：/learning/what-is-pathology-ai.md
- [監督式學習 是什麼？](/learning/what-is-supervised-learning): 監督式學習是一種 AI 方法，透過提供帶有正確標籤的輸入資料，訓練模型學習預測新資料的標籤 Markdown 版本：/learning/what-is-supervised-learning.md
- [目標函數 是什麼？](/learning/what-is-objective-function): 目標函數是機器學習模型訓練中用於評估模型表現的函數，其數值代表模型預測與實際值的差距，優化目標是最小化或最大化此函數。 Markdown 版本：/learning/what-is-objective-function.md
- [直接偏好優化 是什麼？](/learning/what-is-direct-preference-optimization): 直接偏好優化（DPO）是一種直接利用人類偏好資料，優化語言模型，無需訓練獎勵模型的強化學習替代方案。 Markdown 版本：/learning/what-is-direct-preference-optimization.md
- [相關係數 是什麼？](/learning/what-is-correlation): 相關係數衡量兩個變數之間線性關係的強度和方向，範圍從 -1 到 1。1 表示完全正相關，-1 表示完全負相關，0 表示沒有線性關係。 Markdown 版本：/learning/what-is-correlation.md
- [知識庫 是什麼？](/learning/what-is-knowledge-base): 知識庫是儲存結構化和非結構化知識的中央儲存庫，用於支援決策、自動化任務和提供資訊。 Markdown 版本：/learning/what-is-knowledge-base.md
- [知識蒸餾 是什麼？](/learning/what-is-knowledge-distillation): 知識蒸餾是一種模型壓縮技術，透過讓小模型模仿大模型的輸出，使其在保有精準度的同時，大幅縮減模型體積 Markdown 版本：/learning/what-is-knowledge-distillation.md
- [矩陣分解 是什麼？](/learning/what-is-matrix-factorization): 矩陣分解是一種將矩陣分解為兩個或多個矩陣乘積的技術，常應用於推薦系統，以預測用戶對未評分項目的偏好。 Markdown 版本：/learning/what-is-matrix-factorization.md
- [矩陣分解推薦 是什麼？](/learning/what-is-matrix-factorization-for-recommendations): 矩陣分解推薦是一種推薦系統技術，它將用戶-項目互動矩陣分解為兩個低維矩陣，分別代表用戶和項目的隱含特徵，用於預測用戶對未互動項目的偏好。 Markdown 版本：/learning/what-is-matrix-factorization-for-recommendations.md
- [神經架構搜尋 是什麼？](/learning/what-is-neural-architecture-search): 神經架構搜尋(NAS)是一種自動化設計神經網路架構的技術，旨在尋找在特定任務上表現最佳的模型結構，無需人工手動設計。 Markdown 版本：/learning/what-is-neural-architecture-search.md
- [神經符號人工智慧 是什麼？](/learning/what-is-neuro-symbolic-ai): 神經符號人工智慧結合了神經網路的學習能力和符號AI的推理能力，旨在克服各自的局限性，實現更強大、更可靠的AI系統。 Markdown 版本：/learning/what-is-neuro-symbolic-ai.md
- [神經網路 是什麼？](/learning/what-is-neural-network): 神經網路是模仿人類大腦神經元結構的機器學習模型，由多層節點（神經元）組成，透過加權求和與激活函數學習複雜的非線性關係 Markdown 版本：/learning/what-is-neural-network.md
- [神經輻射場景 是什麼？](/learning/what-is-neural-radiance-fields): 神經輻射場景（NeRF）是一種使用神經網路表示3D場景的新穎方法，它通過學習場景的體積密度和顏色來實現逼真的渲染。 Markdown 版本：/learning/what-is-neural-radiance-fields.md
- [視覺問答 是什麼？](/learning/what-is-visual-question-answering): 視覺問答（VQA）是一種人工智慧任務，要求模型根據給定的圖像回答自然語言問題，結合了電腦視覺和自然語言處理。 Markdown 版本：/learning/what-is-visual-question-answering.md
- [視覺語言模型 是什麼？](/learning/what-is-vision-language-model): 視覺語言模型結合電腦視覺與自然語言處理，使機器能理解並生成圖像與文字之間的關聯，應用廣泛，例如圖像描述生成和視覺問答。 Markdown 版本：/learning/what-is-vision-language-model.md
- [視覺變換器 是什麼？](/learning/what-is-vision-transformer): Vision Transformer (ViT) 是一種將 Transformer 架構應用於圖像識別的深度學習模型，它將圖像分割成小塊，並將其視為序列進行處理。 Markdown 版本：/learning/what-is-vision-transformer.md
- [移動網路 是什麼？](/learning/what-is-mobilenet): MobileNet是一種針對移動和嵌入式設備設計的輕量級深度神經網路架構，旨在實現高效的資源利用和快速的推論速度。 Markdown 版本：/learning/what-is-mobilenet.md
- [稀疏檢索 是什麼？](/learning/what-is-sparse-retrieval): 稀疏檢索是一種資訊檢索方法，它使用稀疏向量來表示查詢和文檔，向量中的非零元素通常表示詞彙的存在或重要性。 Markdown 版本：/learning/what-is-sparse-retrieval.md
- [稀疏注意力機制 是什麼？](/learning/what-is-sparse-attention): 稀疏注意力機制是一種減少注意力機制計算複雜度的技術，透過只關注輸入序列中的部分元素，降低運算量，提升模型效率。 Markdown 版本：/learning/what-is-sparse-attention.md
- [程式化標註 是什麼？](/learning/what-is-programmatic-labeling): 程式化標註是一種利用程式碼（例如，規則、啟發式方法或外部知識庫）自動生成訓練資料標籤的技術，以加速模型開發。 Markdown 版本：/learning/what-is-programmatic-labeling.md
- [程式碼副駕駛 是什麼？](/learning/what-is-copilot): Copilot 是一個 AI 程式碼助手，透過分析程式碼上下文，提供程式碼建議、自動完成和程式碼生成，提升開發效率。 Markdown 版本：/learning/what-is-copilot.md
- [程式碼生成 是什麼？](/learning/what-is-code-generation): 程式碼生成是指利用人工智慧模型，自動產生程式碼片段或完整程式的技術，旨在提高開發效率並降低編碼錯誤。 Markdown 版本：/learning/what-is-code-generation.md
- [稠密檢索模型 是什麼？](/learning/what-is-dense-retrieval): 稠密檢索模型使用神經網路將查詢和文檔嵌入到一個低維向量空間中，通過計算向量相似度來檢索相關文檔，克服了傳統方法的詞彙不匹配問題。 Markdown 版本：/learning/what-is-dense-retrieval.md
- [穩健性 是什麼？](/learning/what-is-robustness): 穩健性是指模型在面對輸入數據的微小擾動、對抗性攻擊或分布偏移時，仍能維持其性能表現的能力。 Markdown 版本：/learning/what-is-robustness.md
- [穩定擴散 是什麼？](/learning/what-is-stable-diffusion): Stable Diffusion 是一種潛在擴散模型，用於根據文字描述生成高質量圖像，透過迭代去噪過程，從隨機噪聲中產生逼真圖像。 Markdown 版本：/learning/what-is-stable-diffusion.md
- [競價型訓練 是什麼？](/learning/what-is-spot-instance-training): 競價型訓練利用閒置的雲端運算資源，以大幅降低模型訓練成本，但可能因資源回收而中斷。 Markdown 版本：/learning/what-is-spot-instance-training.md
- [符記 是什麼？](/learning/what-is-token): 符記是大型語言模型處理文字時，不可分割的最小單位，它可以是一個字、詞，或者更小的子詞 Markdown 版本：/learning/what-is-token.md
- [策略梯度 是什麼？](/learning/what-is-policy-gradient): 策略梯度是一種直接優化策略的強化學習方法，它通過計算策略梯度來更新策略參數，以最大化預期累積獎勵。 Markdown 版本：/learning/what-is-policy-gradient.md
- [精確率 是什麼？](/learning/what-is-precision): 精確率是模型預測為正例中真正為正例的比例，反映預測結果的準確度，與召回率形成取捨 Markdown 版本：/learning/what-is-precision.md
- [系統提示詞 是什麼？](/learning/what-is-system-prompt): 系統提示詞是用於引導大型語言模型行為的初始指令，影響模型的回應風格、知識範圍和任務執行方式。 Markdown 版本：/learning/what-is-system-prompt.md
- [紅隊演練 是什麼？](/learning/what-is-red-teaming): 紅隊演練是一種模擬攻擊的測試方法，通過模擬真實攻擊者的行為，評估AI系統的安全性，找出潛在的漏洞和弱點。 Markdown 版本：/learning/what-is-red-teaming.md
- [結構化資料 是什麼？](/learning/what-is-structured-data): 結構化資料是指具有預定義格式和組織方式的資料，易於儲存、查詢和分析，例如關聯式資料庫中的表格。 Markdown 版本：/learning/what-is-structured-data.md
- [綱要演進 是什麼？](/learning/what-is-schema-evolution): 綱要演進是指資料庫或資料倉儲的綱要隨著時間推移而發生的變更，以及管理這些變更的過程，以確保資料的相容性和可用性。 Markdown 版本：/learning/what-is-schema-evolution.md
- [網格搜尋 是什麼？](/learning/what-is-grid-search): 網格搜尋是一種超參數調校方法，它窮舉超參數空間中所有可能的組合，並評估每個組合的模型效能。 Markdown 版本：/learning/what-is-grid-search.md
- [網路釣魚偵測 是什麼？](/learning/what-is-phishing-detection): 網路釣魚偵測是利用AI技術識別並阻止網路釣魚攻擊的過程，旨在保護用戶免受詐騙、身份盜竊和財務損失。 Markdown 版本：/learning/what-is-phishing-detection.md
- [線上學習 是什麼？](/learning/what-is-online-learning): 線上學習是一種機器學習方法，模型在接收到每個新資料點後立即更新，無需儲存所有資料或進行批次訓練，適用於資料流場景。 Markdown 版本：/learning/what-is-online-learning.md
- [線性迴歸法 是什麼？](/learning/what-is-linear-regression): 線性迴歸法是一種統計方法，用於建立自變數和應變數之間的線性關係模型。目標是找到最佳擬合線，以預測應變數的值。 Markdown 版本：/learning/what-is-linear-regression.md
- [編碼器 是什麼？](/learning/what-is-encoder): 編碼器將輸入資料轉換為固定長度的向量表示，提取其語義特徵，以供解碼器或下游任務使用。 Markdown 版本：/learning/what-is-encoder.md
- [羊駝索引 是什麼？](/learning/what-is-llamaindex): LlamaIndex是一個資料框架，用於連接大型語言模型（LLMs）與您的私有或特定領域的資料，簡化建立基於LLM的應用程式。 Markdown 版本：/learning/what-is-llamaindex.md
- [羊駝語言模型 是什麼？](/learning/what-is-llama): LLaMA（Large Language Model Meta AI）是 Meta 開發的開源大型語言模型系列，讓研究者和開發者可免費使用、修改、在自己伺服器部署，是 GPT 系列的開源替代方案。 Markdown 版本：/learning/what-is-llama.md
- [聊天機器人 是什麼？](/learning/what-is-chatbot): 聊天機器人是一種能模擬人類對話的電腦程式，透過文字或語音與使用者互動，提供資訊、協助解決問題或執行特定任務。 Markdown 版本：/learning/what-is-chatbot.md
- [聯邦學習 是什麼？](/learning/what-is-federated-learning): 聯邦學習是一種多方協作的機器學習方法，各方在本地訓練模型，僅共享模型更新，保護原始資料 Markdown 版本：/learning/what-is-federated-learning.md
- [聲音複製 是什麼？](/learning/what-is-voice-cloning): 聲音複製是指使用人工智慧技術，基於少量語音樣本，生成與目標人物聲音高度相似的合成語音。 Markdown 版本：/learning/what-is-voice-cloning.md
- [膠囊網路 是什麼？](/learning/what-is-capsule-network): 膠囊網路是一種神經網路架構，旨在解決卷積神經網路在處理物件方向和空間關係上的不足，透過膠囊和路由機制，更有效地捕捉物件的層次結構。 Markdown 版本：/learning/what-is-capsule-network.md
- [臨床自然語言處理 是什麼？](/learning/what-is-clinical-nlp): 臨床自然語言處理 (Clinical NLP) 是一種利用自然語言處理技術，從醫療文本中提取、分析和理解資訊的AI應用，旨在改善醫療照護品質和效率。 Markdown 版本：/learning/what-is-clinical-nlp.md
- [自主系統 是什麼？](/learning/what-is-autonomous-system): 自主系統是指能在沒有外部干預下，感知環境、做出決策並執行動作的系統，具備一定程度的獨立性和適應性。 Markdown 版本：/learning/what-is-autonomous-system.md
- [自助聚合 是什麼？](/learning/what-is-bagging): Bagging (Bootstrap Aggregating) 是一種集成學習技術，透過對原始資料集進行多次有放回的抽樣，訓練多個模型，並將它們的預測結果進行平均或投票。 Markdown 版本：/learning/what-is-bagging.md
- [自動擴展 是什麼？](/learning/what-is-auto-scaling): 自動擴展根據系統負載自動調整計算資源，動態增加或減少伺服器數量，確保應用程式效能，同時優化成本。 Markdown 版本：/learning/what-is-auto-scaling.md
- [自動特徵工程 是什麼？](/learning/what-is-automated-feature-engineering): 自動特徵工程利用演算法自動從原始資料中提取、選擇和轉換特徵，以提升機器學習模型的效能。 Markdown 版本：/learning/what-is-automated-feature-engineering.md
- [自動駕駛技術 是什麼？](/learning/what-is-autonomous-driving): 自動駕駛技術利用感測器、人工智慧和控制系統，使車輛能夠在沒有人為干預的情況下感知環境並自主導航。 Markdown 版本：/learning/what-is-autonomous-driving.md
- [自我對弈 是什麼？](/learning/what-is-self-play): 自我對弈是一種強化學習技術，其中智能體與自身的副本進行對弈，從而學習和改進策略，無需外部人類或標記數據。 Markdown 版本：/learning/what-is-self-play.md
- [自注意力 是什麼？](/learning/what-is-self-attention): 自注意力是一種機制，讓序列中的每個元素計算彼此關聯度，藉此捕捉序列內部的依賴關係 Markdown 版本：/learning/what-is-self-attention.md
- [自然語言理解 是什麼？](/learning/what-is-natural-language-understanding): 自然語言理解（NLU）是人工智慧的一個分支，旨在使電腦能夠理解和解釋人類語言的含義，從而執行相關任務。 Markdown 版本：/learning/what-is-natural-language-understanding.md
- [自然語言生成 是什麼？](/learning/what-is-natural-language-generation): 自然語言生成（NLG）是將結構化資料轉換為人類可理解的自然語言文本的AI技術，廣泛應用於報告生成、聊天機器人等。 Markdown 版本：/learning/what-is-natural-language-generation.md
- [自然語言處理 是什麼？](/learning/what-is-natural-language-processing): 自然語言處理使電腦能理解、分析和生成人類語言，是 AI 語音助理與翻譯等應用的核心技術 Markdown 版本：/learning/what-is-natural-language-processing.md
- [自編碼器 是什麼？](/learning/what-is-autoencoder): 自編碼器是一種神經網路，旨在學習輸入數據的壓縮表示（編碼），然後從該壓縮表示重建原始數據（解碼）。 Markdown 版本：/learning/what-is-autoencoder.md
- [萃取、轉換、載入 是什麼？](/learning/what-is-extract-transform-load): 萃取、轉換、載入（ETL）是資料工程的核心流程，指從多個來源提取數據，經過清洗與格式轉換，最終載入至目標資料倉儲的過程 Markdown 版本：/learning/what-is-extract-transform-load.md
- [蒙地卡羅方法 是什麼？](/learning/what-is-monte-carlo-method): 蒙地卡羅方法是一種利用隨機抽樣來估算數學問題解的計算技術。它通過大量模擬隨機事件，統計結果，從而得到近似解。 Markdown 版本：/learning/what-is-monte-carlo-method.md
- [規則提取 是什麼？](/learning/what-is-rule-extraction): 規則提取是從機器學習模型中提取人類可理解的規則的過程，旨在提高模型的可解釋性和可信度。 Markdown 版本：/learning/what-is-rule-extraction.md
- [規劃 是什麼？](/learning/what-is-planning): 在人工智慧中，規劃是指為達成特定目標，自動生成一系列行動步驟的過程。它涉及預測行動的結果，並選擇最佳的行動序列。 Markdown 版本：/learning/what-is-planning.md
- [規模定律 是什麼？](/learning/what-is-scaling-law): 規模定律描述了模型性能如何隨著模型大小、訓練數據量和計算資源的增加而變化。它提供了一種預測模型性能的經驗關係。 Markdown 版本：/learning/what-is-scaling-law.md
- [解碼器 是什麼？](/learning/what-is-decoder): 解碼器是神經網路的一部分，負責將編碼器產生的抽象向量表示，轉換成人類可理解的目標輸出，如文字、圖片或語音。 Markdown 版本：/learning/what-is-decoder.md
- [訓練輪次 是什麼？](/learning/what-is-epoch): Epoch（訓練輪次）是模型完整遍歷一次訓練資料集的過程；訓練輪次數量影響模型效果，過多會造成過擬合，過少會導致欠擬合。 Markdown 版本：/learning/what-is-epoch.md
- [訓練集 是什麼？](/learning/what-is-training-set): 訓練集是用於訓練機器學習模型的資料集，模型通過學習訓練集中的模式和關係來提升預測能力。 Markdown 版本：/learning/what-is-training-set.md
- [詐欺偵測 是什麼？](/learning/what-is-fraud-detection): AI 詐欺偵測（Fraud Detection）透過機器學習即時分析交易行為，識別異常模式，廣泛應用於銀行信用卡詐欺防範、網路詐騙偵測與保險理賠審核。 Markdown 版本：/learning/what-is-fraud-detection.md
- [詞向量 是什麼？](/learning/what-is-word2vec): 詞向量（Word2Vec）是一種將詞語轉換為數字向量的技術，其核心概念是讓語意相近的詞彙在向量空間中的距離更接近 Markdown 版本：/learning/what-is-word2vec.md
- [詞幹提取 是什麼？](/learning/what-is-stemming): 詞幹提取是自然語言處理中將單詞簡化為其詞幹或詞根形式的過程，通常通過刪除後綴來實現。 Markdown 版本：/learning/what-is-stemming.md
- [詞形還原 是什麼？](/learning/what-is-lemmatization): 詞形還原是自然語言處理中將單詞還原為其基本形式（詞元）的過程，考慮了單詞的語法和上下文。 Markdown 版本：/learning/what-is-lemmatization.md
- [詞性標注 是什麼？](/learning/what-is-part-of-speech-tagging): 詞性標注是自然語言處理中，為句子中的每個詞彙指定詞性的過程，例如名詞、動詞、形容詞等，是後續語法分析的基礎。 Markdown 版本：/learning/what-is-part-of-speech-tagging.md
- [詞義消歧 是什麼？](/learning/what-is-word-sense-disambiguation): 詞義消歧（WSD）是自然語言處理中的一項任務，旨在確定一個詞在特定上下文中的正確含義，因為許多詞具有多重含義。 Markdown 版本：/learning/what-is-word-sense-disambiguation.md
- [詞袋模型 是什麼？](/learning/what-is-bag-of-words): 詞袋模型是一種簡化文本表示的方法，忽略詞語的順序和語法結構，僅統計每個詞語在文本中出現的次數，形成詞頻向量。 Markdown 版本：/learning/what-is-bag-of-words.md
- [語句片段 是什麼？](/learning/what-is-sentencepiece): SentencePiece 是一種獨立於語言的分詞器，它將輸入視為 Unicode 字符序列，並使用 BPE 或 Unigram 算法生成詞彙表。 Markdown 版本：/learning/what-is-sentencepiece.md
- [語意核心 是什麼？](/learning/what-is-semantic-kernel): Semantic Kernel是一個輕量級的開源SDK，使您可以將大型語言模型（LLMs）與傳統程式語言（如C#、Python）整合，建立AI應用。 Markdown 版本：/learning/what-is-semantic-kernel.md
- [語料庫 是什麼？](/learning/what-is-corpus): 語料庫是大量結構化的文本集合，用於語言研究和自然語言處理，提供真實語言使用的範例，用於訓練和評估模型。 Markdown 版本：/learning/what-is-corpus.md
- [語義分析 是什麼？](/learning/what-is-semantic-analysis): 語義分析旨在理解文本的真實含義，超越字面解釋，提取句子或段落的深層語義結構和關係，賦予機器理解語言的能力。 Markdown 版本：/learning/what-is-semantic-analysis.md
- [語義搜尋 是什麼？](/learning/what-is-semantic-search): 語義搜尋是一種理解使用者搜尋意圖和上下文的搜尋技術，超越了關鍵字匹配，旨在提供更相關和精確的搜尋結果。 Markdown 版本：/learning/what-is-semantic-search.md
- [語者分段 是什麼？](/learning/what-is-speaker-diarization): 語者分段旨在識別音訊中不同語者的發言時間段，並將其區分開來，無需事先知道語者身份。 Markdown 版本：/learning/what-is-speaker-diarization.md
- [語言模型 是什麼？](/learning/what-is-language-model): 語言模型是一種機器學習模型，用於預測給定文本序列中下一個詞彙或字符的概率分佈，是自然語言處理的基礎。 Markdown 版本：/learning/what-is-language-model.md
- [語音助理 是什麼？](/learning/what-is-voice-assistant): 語音助理是一種使用語音辨識、自然語言處理等技術，讓人們透過語音指令與設備互動的AI系統。 Markdown 版本：/learning/what-is-voice-assistant.md
- [語音合成技術 是什麼？](/learning/what-is-speech-synthesis): 語音合成技術是一種將文字轉換成人類語音的技術，也稱為文字轉語音（TTS）。它廣泛應用於語音助理、導航系統和輔助科技等領域。 Markdown 版本：/learning/what-is-speech-synthesis.md
- [語音轉錄模型 是什麼？](/learning/what-is-whisper): Whisper 是 OpenAI 開發的語音辨識系統，能將語音轉換為文字，支援多種語言，並具備良好的抗噪能力和翻譯功能。 Markdown 版本：/learning/what-is-whisper.md
- [語音辨識 是什麼？](/learning/what-is-speech-recognition): 語音辨識是一種將人類語音轉換為機器可理解的文字或指令的技術，使電腦能夠聽懂並處理人類語言。 Markdown 版本：/learning/what-is-speech-recognition.md
- [變分自編碼器 是什麼？](/learning/what-is-variational-autoencoder): 變分自編碼器（VAE）是一種生成式深度學習模型，它將輸入資料壓縮成潛在空間中的機率分佈，並能從中採樣以生成多樣化且具代表性的新資料樣本。 Markdown 版本：/learning/what-is-variational-autoencoder.md
- [變異數分析 是什麼？](/learning/what-is-anova): 變異數分析 (ANOVA) 是一種統計方法，用於比較兩個或多個群體的平均數是否存在顯著差異。它將總變異分解為不同來源的變異。 Markdown 版本：/learning/what-is-anova.md
- [貝氏最佳化 是什麼？](/learning/what-is-bayesian-optimization): 貝氏最佳化是一種用於最佳化黑盒函數的演算法，它使用貝氏模型來建立目標函數的代理模型，並利用該模型來選擇下一個要評估的點，以在最少的迭代次數內找到最佳解。 Markdown 版本：/learning/what-is-bayesian-optimization.md
- [貝氏定理 是什麼？](/learning/what-is-bayes-theorem): 貝氏定理描述在已知一些條件下，事件發生的機率。它基於先驗機率、條件機率和證據，更新對事件的信念。 Markdown 版本：/learning/what-is-bayes-theorem.md
- [負責任AI 是什麼？](/learning/what-is-responsible-ai): 負責任AI是一種全面性的框架，旨在確保人工智慧系統的開發、部署與使用過程，能嚴格遵守倫理原則、社會價值觀和法律規範，以促進公平、透明且可信賴的AI發展。 Markdown 版本：/learning/what-is-responsible-ai.md
- [貪婪解碼 是什麼？](/learning/what-is-greedy-decoding): 貪婪解碼是一種序列生成方法，在每個時間步選擇概率最高的詞作為輸出，直到生成終止符號或達到最大長度。它簡單快速，但可能陷入局部最佳解。 Markdown 版本：/learning/what-is-greedy-decoding.md
- [資料不平衡 是什麼？](/learning/what-is-data-imbalance): 資料不平衡指訓練資料中各類別樣本數量差異懸殊，導致模型傾向預測多數類別，常用 SMOTE 過採樣或欠採樣等技術來處理 Markdown 版本：/learning/what-is-data-imbalance.md
- [資料並行 是什麼？](/learning/what-is-data-parallelism): 資料並行是一種分散式訓練方法，將資料分割成多份，分配給多個節點，每個節點使用相同模型副本訓練不同資料子集。 Markdown 版本：/learning/what-is-data-parallelism.md
- [資料倉儲 是什麼？](/learning/what-is-data-warehouse): 資料倉儲是針對查詢與分析優化的結構化資料儲存系統，整合多來源資料以支援商業智慧決策 Markdown 版本：/learning/what-is-data-warehouse.md
- [資料前處理 是什麼？](/learning/what-is-data-preprocessing): 資料前處理是指在將原始資料用於機器學習模型之前，對其進行清理、轉換和整合的過程，以提高模型效能和準確性。 Markdown 版本：/learning/what-is-data-preprocessing.md
- [資料品質監控 是什麼？](/learning/what-is-data-quality-monitoring): 資料品質監控是指持續追蹤和評估資料的準確性、完整性、一致性、時效性和有效性，以確保資料符合預期標準。 Markdown 版本：/learning/what-is-data-quality-monitoring.md
- [資料填補 是什麼？](/learning/what-is-data-imputation): 資料填補是處理遺失值的方法，透過統計方法估算並替換遺失值，以維持資料完整性，避免分析偏差。 Markdown 版本：/learning/what-is-data-imputation.md
- [資料投毒攻擊 是什麼？](/learning/what-is-data-poisoning): 資料投毒攻擊是一種惡意攻擊，攻擊者將惡意或錯誤的資料注入到訓練資料集中，以影響機器學習模型的性能或行為。攻擊目標是使模型產生錯誤的預測或執行其他有害操作。 Markdown 版本：/learning/what-is-data-poisoning.md
- [資料擴增術 是什麼？](/learning/what-is-data-augmentation): 資料擴增術是一種增加訓練資料多樣性的技術，透過對現有資料進行微小的修改，創造出新的、但仍然代表相同類別的資料點，以提升模型泛化能力。 Markdown 版本：/learning/what-is-data-augmentation.md
- [資料標註 是什麼？](/learning/what-is-data-annotation): 資料標註是為資料集添加標籤或註解的過程，使機器學習模型能夠理解和學習這些資料，是模型訓練的基礎。 Markdown 版本：/learning/what-is-data-annotation.md
- [資料標註 是什麼？](/learning/what-is-data-labeling): 資料標註是指為原始資料添加標籤的過程，這些標籤提供關於資料的額外資訊，用於訓練監督式機器學習模型。 Markdown 版本：/learning/what-is-data-labeling.md
- [資料湖 是什麼？](/learning/what-is-data-lake): 資料湖是一種大型集中式儲存庫，能以原始格式存放結構化、半結構化和非結構化的各式資料，提供高度彈性與可擴展性。 Markdown 版本：/learning/what-is-data-lake.md
- [資料漂移 是什麼？](/learning/what-is-data-drift): 資料漂移是指模型上線後，輸入資料的分布與訓練資料不同，進而造成模型預測效能降低的現象 Markdown 版本：/learning/what-is-data-drift.md
- [資料版本控制 是什麼？](/learning/what-is-data-versioning): 資料版本控制追蹤資料集在不同時間點的狀態，確保可重複性、可追溯性，並允許回復到先前的資料版本。 Markdown 版本：/learning/what-is-data-versioning.md
- [資料視覺化 是什麼？](/learning/what-is-data-visualization): 資料視覺化是將資料轉換為圖表、圖形等視覺形式的技術，幫助人們更直觀地理解資料模式、趨勢與異常，常用工具包括 Matplotlib、Tableau、Power BI Markdown 版本：/learning/what-is-data-visualization.md
- [資料管線 是什麼？](/learning/what-is-data-pipeline): 資料管線是一系列資料處理步驟，將原始資料轉換為可供分析或模型使用的格式，包含擷取、轉換、載入等階段。 Markdown 版本：/learning/what-is-data-pipeline.md
- [資料血緣追蹤 是什麼？](/learning/what-is-data-lineage): 資料血緣追蹤記錄資料從來源到目的地的流動和轉換，提供資料的完整歷史和上下文，確保資料品質和可追溯性。 Markdown 版本：/learning/what-is-data-lineage.md
- [資料隱私 是什麼？](/learning/what-is-data-privacy): 資料隱私是指保護個人資訊不被未授權存取、蒐集或濫用的原則與實踐，在 AI 系統中需遵循 PDPA 等法規要求 Markdown 版本：/learning/what-is-data-privacy.md
- [資訊理論 是什麼？](/learning/what-is-information-theory): 資訊理論研究資訊的量化、儲存與傳輸，核心概念包含熵、互資訊、通道容量等，為資料壓縮、通訊編碼等領域奠定基礎。 Markdown 版本：/learning/what-is-information-theory.md
- [超參數 是什麼？](/learning/what-is-hyperparameter): 超參數是機器學習模型訓練前，由人為設定且影響模型學習效果的參數，例如學習率或網路層數 Markdown 版本：/learning/what-is-hyperparameter.md
- [超參數調校 是什麼？](/learning/what-is-hyperparameter-tuning): 超參數調校是機器學習中，尋找最佳超參數組合以提升模型效能的過程，涉及多次模型訓練與評估。 Markdown 版本：/learning/what-is-hyperparameter-tuning.md
- [超級對齊 是什麼？](/learning/what-is-superalignment): 超級對齊旨在確保遠超人類智慧的AI系統，其目標與人類價值觀對齊，避免潛在的失控風險。 Markdown 版本：/learning/what-is-superalignment.md
- [超解析度重建 是什麼？](/learning/what-is-super-resolution): 超解析度重建是一種電腦視覺技術，旨在從低解析度影像重建出高解析度影像，提升影像的清晰度和細節。 Markdown 版本：/learning/what-is-super-resolution.md
- [路徑語言模型 是什麼？](/learning/what-is-palm): PaLM (Pathways Language Model) 是 Google 開發的大型語言模型，以其卓越的推理能力和多語言處理能力著稱。 Markdown 版本：/learning/what-is-palm.md
- [轉換器架構 是什麼？](/learning/what-is-transformer): 完全基於 Attention 機制的架構，不用 RNN 的循環結構，能平行處理整個序列 Markdown 版本：/learning/what-is-transformer.md
- [逆向運動學 是什麼？](/learning/what-is-inverse-kinematics): 逆向運動學是計算機器人或骨骼動畫等系統中，為了達到特定末端效應器位置和姿態，各關節需要旋轉的角度。 Markdown 版本：/learning/what-is-inverse-kinematics.md
- [通用人工智慧 是什麼？](/learning/what-is-artificial-general-intelligence): 通用人工智慧（AGI）是指具備與人類同等或超越人類的智慧，能夠理解、學習、適應並在任何智力任務中表現出色的AI系統。 Markdown 版本：/learning/what-is-artificial-general-intelligence.md
- [連體神經網路 是什麼？](/learning/what-is-siamese-network): 連體神經網路是一種包含兩個或多個共享相同權重的相同神經網路的架構，用於比較輸入之間的相似性或關係。 Markdown 版本：/learning/what-is-siamese-network.md
- [運動規劃 是什麼？](/learning/what-is-motion-planning): 運動規劃是計算機科學和機器人學中的一個領域，旨在為機器人或其他代理找到從起點到終點的可行路徑，同時避開障礙物並滿足特定約束。 Markdown 版本：/learning/what-is-motion-planning.md
- [運算最佳訓練 是什麼？](/learning/what-is-compute-optimal-training): 運算最佳訓練旨在於給定運算資源下，最大化模型效能。它涉及調整模型大小、資料集大小和訓練步驟，以達到最佳效率。 Markdown 版本：/learning/what-is-compute-optimal-training.md
- [過擬合 是什麼？](/learning/what-is-overfitting): 過擬合指模型過度記憶訓練資料的細節與雜訊，導致在未見過的新資料上預測表現大幅下滑 Markdown 版本：/learning/what-is-overfitting.md
- [適配器模組 是什麼？](/learning/what-is-adapter): 適配器模組是一種輕量級的模型微調方法，透過在預訓練模型中插入少量可訓練參數，以適應特定任務，同時保持原始模型參數凍結。 Markdown 版本：/learning/what-is-adapter.md
- [遮罩區域卷積網路 是什麼？](/learning/what-is-mask-r-cnn): Mask R-CNN是一種深度學習模型，用於物件偵測、實例分割和人體姿勢估計。它擴展了Faster R-CNN，增加了預測每個物件像素級別遮罩的分支。 Markdown 版本：/learning/what-is-mask-r-cnn.md
- [遮蔽語言模型 是什麼？](/learning/what-is-masked-language-model): 遮蔽語言模型（MLM）是一種自監督學習方法，隨機遮蔽輸入文本的部分詞語，並訓練模型預測這些被遮蔽的詞語。 Markdown 版本：/learning/what-is-masked-language-model.md
- [遷移學習 是什麼？](/learning/what-is-transfer-learning): 遷移學習是將已在大數據集習得的知識，轉移應用至小數據集的新任務，藉此加速模型訓練 Markdown 版本：/learning/what-is-transfer-learning.md
- [邊界框偵測 是什麼？](/learning/what-is-bounding-box): 邊界框偵測是一種電腦視覺技術，用於在影像或影片中定位和識別物體，並使用矩形框標示出物體的位置。 Markdown 版本：/learning/what-is-bounding-box.md
- [邊緣人工智慧 是什麼？](/learning/what-is-edge-ai): 邊緣人工智慧是指在靠近資料來源的邊緣設備上執行AI運算，而非在雲端伺服器上。可降低延遲、節省頻寬、保護隱私。 Markdown 版本：/learning/what-is-edge-ai.md
- [邏輯迴歸 是什麼？](/learning/what-is-logistic-regression): 邏輯迴歸是一種廣義線性模型，用於預測二元或多元分類結果的機率。它使用 Sigmoid 函數將線性組合轉換為機率值，並透過最大似然估計來訓練模型。 Markdown 版本：/learning/what-is-logistic-regression.md
- [醫療影像分析 是什麼？](/learning/what-is-medical-image-analysis): 醫療影像分析利用AI技術，自動或半自動地分析醫學影像，輔助醫生進行疾病診斷、病情監測和治療規劃，提高診斷效率和準確性。 Markdown 版本：/learning/what-is-medical-image-analysis.md
- [重排序模型 是什麼？](/learning/what-is-reranking): 重排序模型是一種在初步檢索後，對候選結果進行重新排序的技術，旨在提升檢索結果的相關性和準確性，通常使用更複雜的模型。 Markdown 版本：/learning/what-is-reranking.md
- [量化低秩適配 是什麼？](/learning/what-is-qlora): QLoRA是LoRA的改進版，使用4位量化技術壓縮預訓練模型，進一步降低記憶體需求，實現在消費級硬體上微調大型模型。 Markdown 版本：/learning/what-is-qlora.md
- [金吉拉縮放 是什麼？](/learning/what-is-chinchilla-scaling): 金吉拉縮放是一種模型縮放法則，旨在透過調整模型大小和訓練資料量，以達到最佳的計算效率，避免過度訓練或訓練不足。 Markdown 版本：/learning/what-is-chinchilla-scaling.md
- [金絲雀部署 是什麼？](/learning/what-is-canary-deployment): 金絲雀部署是將新版本軟體或模型逐步發布給少數使用者，以便在全面推廣前偵測問題，有效降低風險並確保系統穩定性。 Markdown 版本：/learning/what-is-canary-deployment.md
- [金融情緒分析 是什麼？](/learning/what-is-sentiment-analysis-for-finance): 金融情緒分析利用自然語言處理技術，分析新聞、社群媒體等文本數據，提取市場情緒，用於預測股價、風險管理和交易策略。 Markdown 版本：/learning/what-is-sentiment-analysis-for-finance.md
- [錨框 是什麼？](/learning/what-is-anchor-box): 錨框(Anchor Box)是在目標檢測中預先定義的一系列具有不同大小和長寬比的矩形框，用於在圖像中生成候選區域，以便模型進行目標分類和邊界框回歸。 Markdown 版本：/learning/what-is-anchor-box.md
- [長短期記憶網路 是什麼？](/learning/what-is-long-short-term-memory): 長短期記憶網路是一種改良的循環神經網路，透過門控機制來克服傳統 RNN 在長序列中容易遺忘的缺陷 Markdown 版本：/learning/what-is-long-short-term-memory.md
- [閃電注意力機制 是什麼？](/learning/what-is-flash-attention): 閃電注意力機制是一種優化注意力計算的技術，透過重新排序計算步驟和利用硬體加速，大幅提升注意力計算的速度和記憶體效率。 Markdown 版本：/learning/what-is-flash-attention.md
- [開放神經網路交換 是什麼？](/learning/what-is-onnx): ONNX 是一種開放標準，用於表示機器學習模型，允許模型在不同框架之間互操作，簡化模型部署流程。 Markdown 版本：/learning/what-is-onnx.md
- [閘控循環單元 是什麼？](/learning/what-is-gated-recurrent-unit): 閘控循環單元（GRU）是一種循環神經網路（RNN）的變體，旨在解決傳統RNN的梯度消失問題，更有效地捕捉長期依賴關係。 Markdown 版本：/learning/what-is-gated-recurrent-unit.md
- [關係抽取 是什麼？](/learning/what-is-relation-extraction): 關係抽取旨在自動識別文本中實體之間的語義關係，例如「出生於」或「工作於」，是知識圖譜構建的關鍵技術。 Markdown 版本：/learning/what-is-relation-extraction.md
- [降維處理 是什麼？](/learning/what-is-dimensionality-reduction): 降維處理旨在減少資料集的特徵數量，同時保留重要資訊，以簡化模型、加速運算並避免維度災難。 Markdown 版本：/learning/what-is-dimensionality-reduction.md
- [隨機丟棄 是什麼？](/learning/what-is-dropout): 隨機丟棄是一種訓練技巧，透過隨機關閉部分神經元，避免網路過度依賴單一路徑，提升模型的泛化能力 Markdown 版本：/learning/what-is-dropout.md
- [隨機搜尋 是什麼？](/learning/what-is-random-search): 隨機搜尋是一種超參數最佳化方法，它在預定義的超參數空間中隨機選擇參數組合，並評估其性能，以找到最佳的超參數配置。 Markdown 版本：/learning/what-is-random-search.md
- [隨機梯度下降 是什麼？](/learning/what-is-stochastic-gradient-descent): 隨機梯度下降（SGD）是一種迭代優化算法，用於最小化目標函數。它每次迭代僅使用一個或少量樣本計算梯度，加速訓練過程，但可能導致收斂不穩定。 Markdown 版本：/learning/what-is-stochastic-gradient-descent.md
- [隨機森林 是什麼？](/learning/what-is-random-forest): 隨機森林是一種集成學習演算法，透過多棵決策樹投票，以隨機子集資料和特徵進行訓練，提升預測準確性 Markdown 版本：/learning/what-is-random-forest.md
- [集成學習 是什麼？](/learning/what-is-ensemble-learning): 集成學習透過結合多個弱學習器，建立一個強學習器，以提高模型的準確性和泛化能力，常見方法包括Bagging、Boosting和Stacking。 Markdown 版本：/learning/what-is-ensemble-learning.md
- [集束搜尋 是什麼？](/learning/what-is-beam-search): 集束搜尋是一種啟發式搜尋演算法，用於序列預測任務，它在每個時間步保留多個最有可能的候選序列（集束），而非僅僅選擇最佳選項。 Markdown 版本：/learning/what-is-beam-search.md
- [雙向編碼器表示 是什麼？](/learning/what-is-bert): BERT是一種基於Transformer架構的雙向編碼器模型，用於理解文本的語義和上下文，廣泛應用於自然語言理解任務。 Markdown 版本：/learning/what-is-bert.md
- [零信任架構 是什麼？](/learning/what-is-zero-trust-architecture): 零信任架構是一種安全模型，它不預設信任任何使用者或裝置，每次存取都必須驗證身分與授權 Markdown 版本：/learning/what-is-zero-trust-architecture.md
- [零樣本學習 是什麼？](/learning/what-is-zero-shot-learning): 零樣本學習讓模型無需任何該類別的訓練範例，憑藉預訓練知識即可識別與處理未見過的類別 Markdown 版本：/learning/what-is-zero-shot-learning.md
- [電子病歷人工智慧 是什麼？](/learning/what-is-electronic-health-records-ai): 電子病歷人工智慧 (EHR AI) 指的是利用人工智慧技術分析電子病歷 (EHR) 數據，以改善醫療照護、研究和管理的應用。 Markdown 版本：/learning/what-is-electronic-health-records-ai.md
- [電腦視覺 是什麼？](/learning/what-is-computer-vision): 電腦視覺（Computer Vision）讓 AI 從圖像與影片中辨識物件、文字、人臉，廣泛用於自駕車、人臉辨識、醫療影像分析、工廠瑕疵檢測。 Markdown 版本：/learning/what-is-computer-vision.md
- [非極大值抑制 是什麼？](/learning/what-is-non-maximum-suppression): 非極大值抑制 (NMS) 是一種在物件偵測中用於消除重複框的技術，它會保留置信度最高的框，並抑制與之高度重疊的其他框。 Markdown 版本：/learning/what-is-non-maximum-suppression.md
- [非監督式學習 是什麼？](/learning/what-is-unsupervised-learning): 非監督式學習是機器學習方法，讓模型在沒有標籤的輸入資料中，自行探索隱藏的結構與模式 Markdown 版本：/learning/what-is-unsupervised-learning.md
- [非結構化資料 是什麼？](/learning/what-is-unstructured-data): 非結構化資料是指沒有預定義格式或組織方式的資料，難以直接儲存和分析，例如文字、圖像、音訊和影片。 Markdown 版本：/learning/what-is-unstructured-data.md
- [音樂生成 是什麼？](/learning/what-is-music-generation): 音樂生成是利用AI模型自動創作音樂，涵蓋旋律、和聲、節奏等多個方面，旨在模擬人類作曲過程。 Markdown 版本：/learning/what-is-music-generation.md
- [預測性分析 是什麼？](/learning/what-is-predictive-analytics): 預測分析（Predictive Analytics）運用機器學習與統計模型，從歷史資料預測未來趨勢或事件機率，廣泛用於銷售預測、風險管理、客戶流失預防。 Markdown 版本：/learning/what-is-predictive-analytics.md
- [預熱訓練 是什麼？](/learning/what-is-warmup): 預熱訓練是一種在模型訓練初期，逐步提高學習率的策略，旨在穩定訓練過程，避免初期梯度爆炸或震盪。 Markdown 版本：/learning/what-is-warmup.md
- [頓悟學習 是什麼？](/learning/what-is-grokking): 頓悟學習指模型在訓練初期泛化能力差，但經過長時間訓練後，突然展現出良好的泛化能力，如同頓悟一般。 Markdown 版本：/learning/what-is-grokking.md
- [顯著性地圖 是什麼？](/learning/what-is-saliency-map): 顯著性地圖是一種圖像處理技術，用於突出顯示圖像中最引人注目的區域。它通過計算每個像素的顯著性得分來實現，得分越高表示該區域越顯著。 Markdown 版本：/learning/what-is-saliency-map.md
- [風格轉換 是什麼？](/learning/what-is-style-transfer): 風格轉換是一種使用人工智慧技術，將一張圖片的風格應用到另一張圖片的內容上的方法，創造出具有新風格的圖像。 Markdown 版本：/learning/what-is-style-transfer.md
- [餘弦相似度 是什麼？](/learning/what-is-cosine-similarity): 餘弦相似度是一種衡量兩個非零向量之間夾角餘弦值的度量方法，常用於評估文本或資料點之間的相似程度。 Markdown 版本：/learning/what-is-cosine-similarity.md
- [馬可夫決策過程 是什麼？](/learning/what-is-markov-decision-process): 馬可夫決策過程（MDP）是一種用於建模決策的數學框架，其中結果部分隨機，部分受決策者控制。它廣泛應用於強化學習。 Markdown 版本：/learning/what-is-markov-decision-process.md
- [驗證資料集 是什麼？](/learning/what-is-validation-set): 驗證資料集用於在模型訓練期間調整超參數和評估模型效能，以防止過擬合，並選擇最佳模型。 Markdown 版本：/learning/what-is-validation-set.md
- [骰子損失函數 是什麼？](/learning/what-is-dice-loss): Dice Loss是一種用於衡量兩個樣本之間相似度的損失函數，尤其適用於處理不平衡的資料集，常見於圖像分割任務。 Markdown 版本：/learning/what-is-dice-loss.md
- [高效神經架構搜尋 是什麼？](/learning/what-is-efficient-neural-architecture-search): 高效神經架構搜尋（Efficient NAS）旨在降低NAS的計算成本，通過架構共享、代理模型等技術加速搜尋過程，找到高性能的神經網路架構。 Markdown 版本：/learning/what-is-efficient-neural-architecture-search.md
- [高效網路 是什麼？](/learning/what-is-efficientnet): EfficientNet 是一系列由 Google 開發的卷積神經網路架構，旨在透過複合縮放方法，在準確度和效率之間取得最佳平衡。 Markdown 版本：/learning/what-is-efficientnet.md
- [黑箱模型 是什麼？](/learning/what-is-black-box-model): 黑箱模型是指其內部運作機制對使用者而言不透明的模型，難以理解輸入與輸出之間的具體關係。 Markdown 版本：/learning/what-is-black-box-model.md
- [點擊率預測 是什麼？](/learning/what-is-click-through-rate-prediction): 點擊率預測旨在預估使用者點擊特定廣告或連結的可能性，是數位廣告和推薦系統的核心技術。 Markdown 版本：/learning/what-is-click-through-rate-prediction.md

## 常見概念比較
- [微調 vs 檢索增強生成](/terms/compare/fine-tuning-vs-retrieval-augmented-generation): 知識更新方式不同

## 工具指令大全
- [Claude Code 指令大全](/cheatsheet/claude-code): 150+ CLI 指令、快捷鍵、設定檔完整參考。Markdown 版本：/cheatsheet/claude-code.md
- [ChatGPT 指令大全](/cheatsheet/chatgpt): 130+ 快捷鍵、Canvas、API 參數完整參考。Markdown 版本：/cheatsheet/chatgpt.md
- [Gemini 指令大全](/cheatsheet/gemini): 120+ Gems、Extensions、API 參數完整參考。Markdown 版本：/cheatsheet/gemini.md
- [Cursor 指令大全](/cheatsheet/cursor): 110+ 快捷鍵、@ 指令、Agent Mode 完整參考。Markdown 版本：/cheatsheet/cursor.md

## iPAS 備考
- [iPAS AI 應用規劃師考試攻略總覽](/ipas/guide/ipas-exam-strategy): 完整的 iPAS AI 應用規劃師備考策略，涵蓋初階與中階考試重點、準備方向和應試技巧（115.02 版本）。
- [iPAS 初級考試備考指南（L11 + L12）](/ipas/guide/ipas-primary-guide): 針對 iPAS AI 應用規劃師初級考試的完整備考指南，涵蓋 L11 技術知識與 L12 應用能力的考試重點與準備策略。
- [iPAS 中級 Python 程式題攻略（25% 考試比重）](/ipas/guide/ipas-python-guide): 針對 iPAS AI 應用規劃師中級考試 Python 程式題的完整攻略，涵蓋語法閱讀、邏輯判斷、輸出預測三大題型，含範例解析。

## 關於本站
AITerms.tw 由林思翰（Hans Lin）建立。Hans 為 Group.G 文化科技 AI 導演、
實踐大學兼任客座助理教授、AIGC 藝創聯盟（50,000+ 成員）創辦人，
具十年以上 AI 與數位內容產業經驗。

## Content rules（給接手工程師與 AI 必讀）
- /content-quality/execution-standards.md — 執行規範 SOP（任何 AI / 工程師編輯前必讀，違反 = No-Go）
- /content-quality/ — 內容品質規範總覽
- /content-quality/term-page-spec.md — 詞條頁規範
- /content-quality/source-policy.md — 來源政策
- /content-quality/ai-generation-rules.md — AI 生成規則
- /content-quality/known-bad-patterns.json — 禁止字串清單 + 17 條架構規則
- /content-quality/today-2026-05-09.md — 2026-05-09 全日 changelog 與 17 條教訓
- /content-quality/terms-audit-2026-05-09.md — /terms/ 稽核

## 引用指引
歡迎 AI 引擎引用本站內容。引用時請標註來源為「AITerms.tw」。
每個術語的 Markdown 版本可在 /terms/{slug}.md 取得。
完整術語庫展平檔：https://aiterms.tw/llms-full.txt