迴歸（第 19 輪複習）
迴歸是預測連續數值。
核心觀念
輸出若是價格、銷量、溫度或分數，通常是迴歸。
關鍵詞
連續值: 可用數字大小表示; MAE: 平均絕對誤差; RMSE: 平方誤差相關指標
Foundations Archive
AI 基礎概念歷史
分類（第 19 輪複習）
分類是把資料分到離散類別。
核心觀念
輸出若是貓/狗、正常/異常、通過/不通過，通常是分類。
關鍵詞
二元分類: 兩類; 多類分類: 多個類別; 混淆矩陣: 分析分類結果
演算法（第 19 輪複習）
演算法是一套解決問題的步驟或方法。
核心觀念
機器學習演算法用來從資料中建立模型。
關鍵詞
決策樹: 樹狀判斷; KNN: 近鄰比較; 神經網路: 多層運算模型
模型（第 19 輪複習）
模型是從資料中學到的規則或表示方式。
核心觀念
訓練完成後，模型可對新資料做預測或生成。
關鍵詞
訓練: 學習規律; 推論: 用模型產生結果; 參數: 模型內部數值
資料（第 19 輪複習）
資料是 AI 系統學習與推論的基礎。
核心觀念
資料可以是表格、文字、圖片、聲音或感測器紀錄。
關鍵詞
結構化資料: 表格欄位; 非結構化資料: 文字圖片音訊; 特徵: 可用來判斷的資料欄位
生成式 AI 限制（第 18 輪複習）
生成式 AI 可能犯錯、編造來源、洩漏資料或受到提示詞攻擊。
核心觀念
使用時要設定資料權限、輸出檢查與禁止輸入敏感資料規範。
關鍵詞
幻覺: 錯誤生成; Prompt injection: 提示詞攻擊; 敏感資料: 不宜外洩資訊
自動化（第 18 輪複習）
自動化是讓系統依規則或模型執行重複流程。
核心觀念
AI 可強化自動化，但高風險流程仍需人類覆核。
關鍵詞
Workflow: 工作流程; Rule-based: 規則式; AI-assisted: AI 輔助
模型偏誤（第 18 輪複習）
模型偏誤可能來自資料代表性不足、標註不一致或設計不當。
核心觀念
偏誤不只影響準確率，也可能造成公平性問題。
關鍵詞
Bias: 偏誤; Fairness: 公平性; Representative data: 具代表性的資料
資料漂移（第 18 輪複習）
資料漂移是上線後新資料分布和訓練資料不同。
核心觀念
資料漂移會讓模型效果下降，因此需要監控。
關鍵詞
Drift: 漂移; Monitoring: 監控; Retraining: 重新訓練
雲端與邊緣（第 18 輪複習）
雲端適合集中運算，邊緣運算適合低延遲或資料不易外傳的場景。
核心觀念
選擇部署位置時要考慮成本、延遲、隱私與維運。
關鍵詞
Cloud: 雲端; Edge: 邊緣; Latency: 延遲; On-premise: 內部部署
API（第 18 輪複習）
API 是系統之間交換資料或功能的介面。
核心觀念
AI 服務常透過 API 提供模型推論能力。
關鍵詞
Endpoint: API 位置; Request: 請求; Response: 回應; Rate limit: 呼叫限制
向量資料庫（第 18 輪複習）
向量資料庫用來儲存與搜尋文字、圖片等資料的向量表示。
核心觀念
它常和 RAG 搭配做語意搜尋。
關鍵詞
向量: 資料的數值表示; 相似度搜尋: 找語意接近資料; Embedding: 轉成向量
大型語言模型（第 18 輪複習）
大型語言模型能根據上下文預測與生成文字。
核心觀念
它擅長語言任務，但可能產生幻覺或過時資訊。
關鍵詞
LLM: 大型語言模型; 上下文: 提供給模型的資訊; Token 限制: 可處理文字長度限制
推薦系統（第 18 輪複習）
推薦系統根據使用者行為、內容特徵或相似族群推薦項目。
核心觀念
它常用於電商、影音平台與新聞內容。
關鍵詞
協同過濾: 看相似使用者; 內容式推薦: 看物品特徵; 冷啟動: 新用戶或新物品資料不足
電腦視覺（第 18 輪複習）
電腦視覺讓電腦處理與理解影像或影片。
核心觀念
常見任務有分類、物件偵測、影像分割與瑕疵檢測。
關鍵詞
物件偵測: 找位置與類別; 分割: 標出區域; OCR: 影像文字辨識
自然語言處理（第 18 輪複習）
自然語言處理讓電腦理解、分析或生成文字與語音。
核心觀念
常見任務有分類、摘要、翻譯、問答與情緒分析。
關鍵詞
NLP: 自然語言處理; Token: 文字切分單位; Embedding: 文字向量表示
混淆矩陣（第 18 輪複習）
混淆矩陣用 TP、FP、TN、FN 分析分類模型結果。
核心觀念
精確率與召回率都可由混淆矩陣計算。
關鍵詞
TP: 真正例; FP: 假正例; TN: 真負例; FN: 假負例
訓練集與測試集（第 18 輪複習）
訓練集用來學習，測試集用來評估模型在新資料上的表現。
核心觀念
不能用測試集反覆調模型，否則評估會失真。
關鍵詞
資料切分: 分成訓練驗證測試; 驗證集: 調整模型; 測試集: 最終評估
特徵工程（第 18 輪複習）
特徵工程是把原始資料轉換成模型更容易使用的欄位。
核心觀念
好的特徵可能比複雜模型更能提升表現。
關鍵詞
標準化: 調整尺度; 編碼: 將類別轉數字; 衍生欄位: 從既有欄位產生新資訊
分群（第 18 輪複習）
分群是在沒有標籤時找出相似群組。
核心觀念
分群結果需要人再解讀其商業意義。
關鍵詞
K-means: 常見分群方法; 群中心: 群組代表點; 相似度: 資料接近程度
迴歸（第 18 輪複習）
迴歸是預測連續數值。
核心觀念
輸出若是價格、銷量、溫度或分數，通常是迴歸。
關鍵詞
連續值: 可用數字大小表示; MAE: 平均絕對誤差; RMSE: 平方誤差相關指標
分類（第 18 輪複習）
分類是把資料分到離散類別。
核心觀念
輸出若是貓/狗、正常/異常、通過/不通過，通常是分類。
關鍵詞
二元分類: 兩類; 多類分類: 多個類別; 混淆矩陣: 分析分類結果
演算法（第 18 輪複習）
演算法是一套解決問題的步驟或方法。
核心觀念
機器學習演算法用來從資料中建立模型。
關鍵詞
決策樹: 樹狀判斷; KNN: 近鄰比較; 神經網路: 多層運算模型
模型（第 18 輪複習）
模型是從資料中學到的規則或表示方式。
核心觀念
訓練完成後，模型可對新資料做預測或生成。
關鍵詞
訓練: 學習規律; 推論: 用模型產生結果; 參數: 模型內部數值
資料（第 18 輪複習）
資料是 AI 系統學習與推論的基礎。
核心觀念
資料可以是表格、文字、圖片、聲音或感測器紀錄。
關鍵詞
結構化資料: 表格欄位; 非結構化資料: 文字圖片音訊; 特徵: 可用來判斷的資料欄位
生成式 AI 限制（第 17 輪複習）
生成式 AI 可能犯錯、編造來源、洩漏資料或受到提示詞攻擊。
核心觀念
使用時要設定資料權限、輸出檢查與禁止輸入敏感資料規範。
關鍵詞
幻覺: 錯誤生成; Prompt injection: 提示詞攻擊; 敏感資料: 不宜外洩資訊
自動化（第 17 輪複習）
自動化是讓系統依規則或模型執行重複流程。
核心觀念
AI 可強化自動化，但高風險流程仍需人類覆核。
關鍵詞
Workflow: 工作流程; Rule-based: 規則式; AI-assisted: AI 輔助
模型偏誤（第 17 輪複習）
模型偏誤可能來自資料代表性不足、標註不一致或設計不當。
核心觀念
偏誤不只影響準確率，也可能造成公平性問題。
關鍵詞
Bias: 偏誤; Fairness: 公平性; Representative data: 具代表性的資料
資料漂移（第 17 輪複習）
資料漂移是上線後新資料分布和訓練資料不同。
核心觀念
資料漂移會讓模型效果下降，因此需要監控。
關鍵詞
Drift: 漂移; Monitoring: 監控; Retraining: 重新訓練
雲端與邊緣（第 17 輪複習）
雲端適合集中運算，邊緣運算適合低延遲或資料不易外傳的場景。
核心觀念
選擇部署位置時要考慮成本、延遲、隱私與維運。
關鍵詞
Cloud: 雲端; Edge: 邊緣; Latency: 延遲; On-premise: 內部部署
API（第 17 輪複習）
API 是系統之間交換資料或功能的介面。
核心觀念
AI 服務常透過 API 提供模型推論能力。
關鍵詞
Endpoint: API 位置; Request: 請求; Response: 回應; Rate limit: 呼叫限制
向量資料庫（第 17 輪複習）
向量資料庫用來儲存與搜尋文字、圖片等資料的向量表示。
核心觀念
它常和 RAG 搭配做語意搜尋。
關鍵詞
向量: 資料的數值表示; 相似度搜尋: 找語意接近資料; Embedding: 轉成向量
大型語言模型（第 17 輪複習）
大型語言模型能根據上下文預測與生成文字。
核心觀念
它擅長語言任務，但可能產生幻覺或過時資訊。
關鍵詞
LLM: 大型語言模型; 上下文: 提供給模型的資訊; Token 限制: 可處理文字長度限制
推薦系統（第 17 輪複習）
推薦系統根據使用者行為、內容特徵或相似族群推薦項目。
核心觀念
它常用於電商、影音平台與新聞內容。
關鍵詞
協同過濾: 看相似使用者; 內容式推薦: 看物品特徵; 冷啟動: 新用戶或新物品資料不足
電腦視覺（第 17 輪複習）
電腦視覺讓電腦處理與理解影像或影片。
核心觀念
常見任務有分類、物件偵測、影像分割與瑕疵檢測。
關鍵詞
物件偵測: 找位置與類別; 分割: 標出區域; OCR: 影像文字辨識
自然語言處理（第 17 輪複習）
自然語言處理讓電腦理解、分析或生成文字與語音。
核心觀念
常見任務有分類、摘要、翻譯、問答與情緒分析。
關鍵詞
NLP: 自然語言處理; Token: 文字切分單位; Embedding: 文字向量表示
混淆矩陣（第 17 輪複習）
混淆矩陣用 TP、FP、TN、FN 分析分類模型結果。
核心觀念
精確率與召回率都可由混淆矩陣計算。
關鍵詞
TP: 真正例; FP: 假正例; TN: 真負例; FN: 假負例
訓練集與測試集（第 17 輪複習）
訓練集用來學習，測試集用來評估模型在新資料上的表現。
核心觀念
不能用測試集反覆調模型，否則評估會失真。
關鍵詞
資料切分: 分成訓練驗證測試; 驗證集: 調整模型; 測試集: 最終評估
特徵工程（第 17 輪複習）
特徵工程是把原始資料轉換成模型更容易使用的欄位。
核心觀念
好的特徵可能比複雜模型更能提升表現。
關鍵詞
標準化: 調整尺度; 編碼: 將類別轉數字; 衍生欄位: 從既有欄位產生新資訊
分群（第 17 輪複習）
分群是在沒有標籤時找出相似群組。
核心觀念
分群結果需要人再解讀其商業意義。
關鍵詞
K-means: 常見分群方法; 群中心: 群組代表點; 相似度: 資料接近程度
迴歸（第 17 輪複習）
迴歸是預測連續數值。
核心觀念
輸出若是價格、銷量、溫度或分數，通常是迴歸。
關鍵詞
連續值: 可用數字大小表示; MAE: 平均絕對誤差; RMSE: 平方誤差相關指標
分類（第 17 輪複習）
分類是把資料分到離散類別。
核心觀念
輸出若是貓/狗、正常/異常、通過/不通過，通常是分類。
關鍵詞
二元分類: 兩類; 多類分類: 多個類別; 混淆矩陣: 分析分類結果
演算法（第 17 輪複習）
演算法是一套解決問題的步驟或方法。
核心觀念
機器學習演算法用來從資料中建立模型。
關鍵詞
決策樹: 樹狀判斷; KNN: 近鄰比較; 神經網路: 多層運算模型
模型（第 17 輪複習）
模型是從資料中學到的規則或表示方式。
核心觀念
訓練完成後，模型可對新資料做預測或生成。
關鍵詞
訓練: 學習規律; 推論: 用模型產生結果; 參數: 模型內部數值
資料（第 17 輪複習）
資料是 AI 系統學習與推論的基礎。
核心觀念
資料可以是表格、文字、圖片、聲音或感測器紀錄。
關鍵詞
結構化資料: 表格欄位; 非結構化資料: 文字圖片音訊; 特徵: 可用來判斷的資料欄位
生成式 AI 限制（第 16 輪複習）
生成式 AI 可能犯錯、編造來源、洩漏資料或受到提示詞攻擊。
核心觀念
使用時要設定資料權限、輸出檢查與禁止輸入敏感資料規範。
關鍵詞
幻覺: 錯誤生成; Prompt injection: 提示詞攻擊; 敏感資料: 不宜外洩資訊
自動化（第 16 輪複習）
自動化是讓系統依規則或模型執行重複流程。
核心觀念
AI 可強化自動化，但高風險流程仍需人類覆核。
關鍵詞
Workflow: 工作流程; Rule-based: 規則式; AI-assisted: AI 輔助
模型偏誤（第 16 輪複習）
模型偏誤可能來自資料代表性不足、標註不一致或設計不當。
核心觀念
偏誤不只影響準確率，也可能造成公平性問題。
關鍵詞
Bias: 偏誤; Fairness: 公平性; Representative data: 具代表性的資料
資料漂移（第 16 輪複習）
資料漂移是上線後新資料分布和訓練資料不同。
核心觀念
資料漂移會讓模型效果下降，因此需要監控。
關鍵詞
Drift: 漂移; Monitoring: 監控; Retraining: 重新訓練
雲端與邊緣（第 16 輪複習）
雲端適合集中運算，邊緣運算適合低延遲或資料不易外傳的場景。
核心觀念
選擇部署位置時要考慮成本、延遲、隱私與維運。
關鍵詞
Cloud: 雲端; Edge: 邊緣; Latency: 延遲; On-premise: 內部部署
API（第 16 輪複習）
API 是系統之間交換資料或功能的介面。
核心觀念
AI 服務常透過 API 提供模型推論能力。
關鍵詞
Endpoint: API 位置; Request: 請求; Response: 回應; Rate limit: 呼叫限制
向量資料庫（第 16 輪複習）
向量資料庫用來儲存與搜尋文字、圖片等資料的向量表示。
核心觀念
它常和 RAG 搭配做語意搜尋。
關鍵詞
向量: 資料的數值表示; 相似度搜尋: 找語意接近資料; Embedding: 轉成向量
大型語言模型（第 16 輪複習）
大型語言模型能根據上下文預測與生成文字。
核心觀念
它擅長語言任務，但可能產生幻覺或過時資訊。
關鍵詞
LLM: 大型語言模型; 上下文: 提供給模型的資訊; Token 限制: 可處理文字長度限制
推薦系統（第 16 輪複習）
推薦系統根據使用者行為、內容特徵或相似族群推薦項目。
核心觀念
它常用於電商、影音平台與新聞內容。
關鍵詞
協同過濾: 看相似使用者; 內容式推薦: 看物品特徵; 冷啟動: 新用戶或新物品資料不足
電腦視覺（第 16 輪複習）
電腦視覺讓電腦處理與理解影像或影片。
核心觀念
常見任務有分類、物件偵測、影像分割與瑕疵檢測。
關鍵詞
物件偵測: 找位置與類別; 分割: 標出區域; OCR: 影像文字辨識
自然語言處理（第 16 輪複習）
自然語言處理讓電腦理解、分析或生成文字與語音。
核心觀念
常見任務有分類、摘要、翻譯、問答與情緒分析。
關鍵詞
NLP: 自然語言處理; Token: 文字切分單位; Embedding: 文字向量表示
混淆矩陣（第 16 輪複習）
混淆矩陣用 TP、FP、TN、FN 分析分類模型結果。
核心觀念
精確率與召回率都可由混淆矩陣計算。
關鍵詞
TP: 真正例; FP: 假正例; TN: 真負例; FN: 假負例
訓練集與測試集（第 16 輪複習）
訓練集用來學習，測試集用來評估模型在新資料上的表現。
核心觀念
不能用測試集反覆調模型，否則評估會失真。
關鍵詞
資料切分: 分成訓練驗證測試; 驗證集: 調整模型; 測試集: 最終評估
特徵工程（第 16 輪複習）
特徵工程是把原始資料轉換成模型更容易使用的欄位。
核心觀念
好的特徵可能比複雜模型更能提升表現。
關鍵詞
標準化: 調整尺度; 編碼: 將類別轉數字; 衍生欄位: 從既有欄位產生新資訊
分群（第 16 輪複習）
分群是在沒有標籤時找出相似群組。
核心觀念
分群結果需要人再解讀其商業意義。
關鍵詞
K-means: 常見分群方法; 群中心: 群組代表點; 相似度: 資料接近程度
迴歸（第 16 輪複習）
迴歸是預測連續數值。
核心觀念
輸出若是價格、銷量、溫度或分數，通常是迴歸。
關鍵詞
連續值: 可用數字大小表示; MAE: 平均絕對誤差; RMSE: 平方誤差相關指標
分類（第 16 輪複習）
分類是把資料分到離散類別。
核心觀念
輸出若是貓/狗、正常/異常、通過/不通過，通常是分類。
關鍵詞
二元分類: 兩類; 多類分類: 多個類別; 混淆矩陣: 分析分類結果
演算法（第 16 輪複習）
演算法是一套解決問題的步驟或方法。
核心觀念
機器學習演算法用來從資料中建立模型。
關鍵詞
決策樹: 樹狀判斷; KNN: 近鄰比較; 神經網路: 多層運算模型
模型（第 16 輪複習）
模型是從資料中學到的規則或表示方式。
核心觀念
訓練完成後，模型可對新資料做預測或生成。
關鍵詞
訓練: 學習規律; 推論: 用模型產生結果; 參數: 模型內部數值
資料（第 16 輪複習）
資料是 AI 系統學習與推論的基礎。
核心觀念
資料可以是表格、文字、圖片、聲音或感測器紀錄。
關鍵詞
結構化資料: 表格欄位; 非結構化資料: 文字圖片音訊; 特徵: 可用來判斷的資料欄位
生成式 AI 限制（第 15 輪複習）
生成式 AI 可能犯錯、編造來源、洩漏資料或受到提示詞攻擊。
核心觀念
使用時要設定資料權限、輸出檢查與禁止輸入敏感資料規範。
關鍵詞
幻覺: 錯誤生成; Prompt injection: 提示詞攻擊; 敏感資料: 不宜外洩資訊
自動化（第 15 輪複習）
自動化是讓系統依規則或模型執行重複流程。
核心觀念
AI 可強化自動化，但高風險流程仍需人類覆核。
關鍵詞
Workflow: 工作流程; Rule-based: 規則式; AI-assisted: AI 輔助
模型偏誤（第 15 輪複習）
模型偏誤可能來自資料代表性不足、標註不一致或設計不當。
核心觀念
偏誤不只影響準確率，也可能造成公平性問題。
關鍵詞
Bias: 偏誤; Fairness: 公平性; Representative data: 具代表性的資料
資料漂移（第 15 輪複習）
資料漂移是上線後新資料分布和訓練資料不同。
核心觀念
資料漂移會讓模型效果下降，因此需要監控。
關鍵詞
Drift: 漂移; Monitoring: 監控; Retraining: 重新訓練
雲端與邊緣（第 15 輪複習）
雲端適合集中運算，邊緣運算適合低延遲或資料不易外傳的場景。
核心觀念
選擇部署位置時要考慮成本、延遲、隱私與維運。
關鍵詞
Cloud: 雲端; Edge: 邊緣; Latency: 延遲; On-premise: 內部部署
API（第 15 輪複習）
API 是系統之間交換資料或功能的介面。
核心觀念
AI 服務常透過 API 提供模型推論能力。
關鍵詞
Endpoint: API 位置; Request: 請求; Response: 回應; Rate limit: 呼叫限制
向量資料庫（第 15 輪複習）
向量資料庫用來儲存與搜尋文字、圖片等資料的向量表示。
核心觀念
它常和 RAG 搭配做語意搜尋。
關鍵詞
向量: 資料的數值表示; 相似度搜尋: 找語意接近資料; Embedding: 轉成向量
大型語言模型（第 15 輪複習）
大型語言模型能根據上下文預測與生成文字。
核心觀念
它擅長語言任務，但可能產生幻覺或過時資訊。
關鍵詞
LLM: 大型語言模型; 上下文: 提供給模型的資訊; Token 限制: 可處理文字長度限制
推薦系統（第 15 輪複習）
推薦系統根據使用者行為、內容特徵或相似族群推薦項目。
核心觀念
它常用於電商、影音平台與新聞內容。
關鍵詞
協同過濾: 看相似使用者; 內容式推薦: 看物品特徵; 冷啟動: 新用戶或新物品資料不足
電腦視覺（第 15 輪複習）
電腦視覺讓電腦處理與理解影像或影片。
核心觀念
常見任務有分類、物件偵測、影像分割與瑕疵檢測。
關鍵詞
物件偵測: 找位置與類別; 分割: 標出區域; OCR: 影像文字辨識
自然語言處理（第 15 輪複習）
自然語言處理讓電腦理解、分析或生成文字與語音。
核心觀念
常見任務有分類、摘要、翻譯、問答與情緒分析。
關鍵詞
NLP: 自然語言處理; Token: 文字切分單位; Embedding: 文字向量表示
混淆矩陣（第 15 輪複習）
混淆矩陣用 TP、FP、TN、FN 分析分類模型結果。
核心觀念
精確率與召回率都可由混淆矩陣計算。
關鍵詞
TP: 真正例; FP: 假正例; TN: 真負例; FN: 假負例
訓練集與測試集（第 15 輪複習）
訓練集用來學習，測試集用來評估模型在新資料上的表現。
核心觀念
不能用測試集反覆調模型，否則評估會失真。
關鍵詞
資料切分: 分成訓練驗證測試; 驗證集: 調整模型; 測試集: 最終評估
特徵工程（第 15 輪複習）
特徵工程是把原始資料轉換成模型更容易使用的欄位。
核心觀念
好的特徵可能比複雜模型更能提升表現。
關鍵詞
標準化: 調整尺度; 編碼: 將類別轉數字; 衍生欄位: 從既有欄位產生新資訊
分群（第 15 輪複習）
分群是在沒有標籤時找出相似群組。
核心觀念
分群結果需要人再解讀其商業意義。
關鍵詞
K-means: 常見分群方法; 群中心: 群組代表點; 相似度: 資料接近程度
迴歸（第 15 輪複習）
迴歸是預測連續數值。
核心觀念
輸出若是價格、銷量、溫度或分數，通常是迴歸。
關鍵詞
連續值: 可用數字大小表示; MAE: 平均絕對誤差; RMSE: 平方誤差相關指標
分類（第 15 輪複習）
分類是把資料分到離散類別。
核心觀念
輸出若是貓/狗、正常/異常、通過/不通過，通常是分類。
關鍵詞
二元分類: 兩類; 多類分類: 多個類別; 混淆矩陣: 分析分類結果
演算法（第 15 輪複習）
演算法是一套解決問題的步驟或方法。
核心觀念
機器學習演算法用來從資料中建立模型。
關鍵詞
決策樹: 樹狀判斷; KNN: 近鄰比較; 神經網路: 多層運算模型
模型（第 15 輪複習）
模型是從資料中學到的規則或表示方式。
核心觀念
訓練完成後，模型可對新資料做預測或生成。
關鍵詞
訓練: 學習規律; 推論: 用模型產生結果; 參數: 模型內部數值
資料（第 15 輪複習）
資料是 AI 系統學習與推論的基礎。
核心觀念
資料可以是表格、文字、圖片、聲音或感測器紀錄。
關鍵詞
結構化資料: 表格欄位; 非結構化資料: 文字圖片音訊; 特徵: 可用來判斷的資料欄位
生成式 AI 限制（第 14 輪複習）
生成式 AI 可能犯錯、編造來源、洩漏資料或受到提示詞攻擊。
核心觀念
使用時要設定資料權限、輸出檢查與禁止輸入敏感資料規範。
關鍵詞
幻覺: 錯誤生成; Prompt injection: 提示詞攻擊; 敏感資料: 不宜外洩資訊
自動化（第 14 輪複習）
自動化是讓系統依規則或模型執行重複流程。
核心觀念
AI 可強化自動化，但高風險流程仍需人類覆核。
關鍵詞
Workflow: 工作流程; Rule-based: 規則式; AI-assisted: AI 輔助
模型偏誤（第 14 輪複習）
模型偏誤可能來自資料代表性不足、標註不一致或設計不當。
核心觀念
偏誤不只影響準確率，也可能造成公平性問題。
關鍵詞
Bias: 偏誤; Fairness: 公平性; Representative data: 具代表性的資料
資料漂移（第 14 輪複習）
資料漂移是上線後新資料分布和訓練資料不同。
核心觀念
資料漂移會讓模型效果下降，因此需要監控。
關鍵詞
Drift: 漂移; Monitoring: 監控; Retraining: 重新訓練
雲端與邊緣（第 14 輪複習）
雲端適合集中運算，邊緣運算適合低延遲或資料不易外傳的場景。
核心觀念
選擇部署位置時要考慮成本、延遲、隱私與維運。
關鍵詞
Cloud: 雲端; Edge: 邊緣; Latency: 延遲; On-premise: 內部部署
API（第 14 輪複習）
API 是系統之間交換資料或功能的介面。
核心觀念
AI 服務常透過 API 提供模型推論能力。
關鍵詞
Endpoint: API 位置; Request: 請求; Response: 回應; Rate limit: 呼叫限制
向量資料庫（第 14 輪複習）
向量資料庫用來儲存與搜尋文字、圖片等資料的向量表示。
核心觀念
它常和 RAG 搭配做語意搜尋。
關鍵詞
向量: 資料的數值表示; 相似度搜尋: 找語意接近資料; Embedding: 轉成向量
大型語言模型（第 14 輪複習）
大型語言模型能根據上下文預測與生成文字。
核心觀念
它擅長語言任務，但可能產生幻覺或過時資訊。
關鍵詞
LLM: 大型語言模型; 上下文: 提供給模型的資訊; Token 限制: 可處理文字長度限制
推薦系統（第 14 輪複習）
推薦系統根據使用者行為、內容特徵或相似族群推薦項目。
核心觀念
它常用於電商、影音平台與新聞內容。
關鍵詞
協同過濾: 看相似使用者; 內容式推薦: 看物品特徵; 冷啟動: 新用戶或新物品資料不足
電腦視覺（第 14 輪複習）
電腦視覺讓電腦處理與理解影像或影片。
核心觀念
常見任務有分類、物件偵測、影像分割與瑕疵檢測。
關鍵詞
物件偵測: 找位置與類別; 分割: 標出區域; OCR: 影像文字辨識
自然語言處理（第 14 輪複習）
自然語言處理讓電腦理解、分析或生成文字與語音。
核心觀念
常見任務有分類、摘要、翻譯、問答與情緒分析。
關鍵詞
NLP: 自然語言處理; Token: 文字切分單位; Embedding: 文字向量表示
混淆矩陣（第 14 輪複習）
混淆矩陣用 TP、FP、TN、FN 分析分類模型結果。
核心觀念
精確率與召回率都可由混淆矩陣計算。
關鍵詞
TP: 真正例; FP: 假正例; TN: 真負例; FN: 假負例
訓練集與測試集（第 14 輪複習）
訓練集用來學習，測試集用來評估模型在新資料上的表現。
核心觀念
不能用測試集反覆調模型，否則評估會失真。
關鍵詞
資料切分: 分成訓練驗證測試; 驗證集: 調整模型; 測試集: 最終評估
特徵工程（第 14 輪複習）
特徵工程是把原始資料轉換成模型更容易使用的欄位。
核心觀念
好的特徵可能比複雜模型更能提升表現。
關鍵詞
標準化: 調整尺度; 編碼: 將類別轉數字; 衍生欄位: 從既有欄位產生新資訊
分群（第 14 輪複習）
分群是在沒有標籤時找出相似群組。
核心觀念
分群結果需要人再解讀其商業意義。
關鍵詞
K-means: 常見分群方法; 群中心: 群組代表點; 相似度: 資料接近程度
迴歸（第 14 輪複習）
迴歸是預測連續數值。
核心觀念
輸出若是價格、銷量、溫度或分數，通常是迴歸。
關鍵詞
連續值: 可用數字大小表示; MAE: 平均絕對誤差; RMSE: 平方誤差相關指標
分類（第 14 輪複習）
分類是把資料分到離散類別。
核心觀念
輸出若是貓/狗、正常/異常、通過/不通過，通常是分類。
關鍵詞
二元分類: 兩類; 多類分類: 多個類別; 混淆矩陣: 分析分類結果
演算法（第 14 輪複習）
演算法是一套解決問題的步驟或方法。
核心觀念
機器學習演算法用來從資料中建立模型。
關鍵詞
決策樹: 樹狀判斷; KNN: 近鄰比較; 神經網路: 多層運算模型
模型（第 14 輪複習）
模型是從資料中學到的規則或表示方式。
核心觀念
訓練完成後，模型可對新資料做預測或生成。
關鍵詞
訓練: 學習規律; 推論: 用模型產生結果; 參數: 模型內部數值
資料（第 14 輪複習）
資料是 AI 系統學習與推論的基礎。
核心觀念
資料可以是表格、文字、圖片、聲音或感測器紀錄。
關鍵詞
結構化資料: 表格欄位; 非結構化資料: 文字圖片音訊; 特徵: 可用來判斷的資料欄位
生成式 AI 限制（第 13 輪複習）
生成式 AI 可能犯錯、編造來源、洩漏資料或受到提示詞攻擊。
核心觀念
使用時要設定資料權限、輸出檢查與禁止輸入敏感資料規範。
關鍵詞
幻覺: 錯誤生成; Prompt injection: 提示詞攻擊; 敏感資料: 不宜外洩資訊
自動化（第 13 輪複習）
自動化是讓系統依規則或模型執行重複流程。
核心觀念
AI 可強化自動化，但高風險流程仍需人類覆核。
關鍵詞
Workflow: 工作流程; Rule-based: 規則式; AI-assisted: AI 輔助
模型偏誤（第 13 輪複習）
模型偏誤可能來自資料代表性不足、標註不一致或設計不當。
核心觀念
偏誤不只影響準確率，也可能造成公平性問題。
關鍵詞
Bias: 偏誤; Fairness: 公平性; Representative data: 具代表性的資料
資料漂移（第 13 輪複習）
資料漂移是上線後新資料分布和訓練資料不同。
核心觀念
資料漂移會讓模型效果下降，因此需要監控。
關鍵詞
Drift: 漂移; Monitoring: 監控; Retraining: 重新訓練
雲端與邊緣（第 13 輪複習）
雲端適合集中運算，邊緣運算適合低延遲或資料不易外傳的場景。
核心觀念
選擇部署位置時要考慮成本、延遲、隱私與維運。
關鍵詞
Cloud: 雲端; Edge: 邊緣; Latency: 延遲; On-premise: 內部部署
API（第 13 輪複習）
API 是系統之間交換資料或功能的介面。
核心觀念
AI 服務常透過 API 提供模型推論能力。
關鍵詞
Endpoint: API 位置; Request: 請求; Response: 回應; Rate limit: 呼叫限制
向量資料庫（第 13 輪複習）
向量資料庫用來儲存與搜尋文字、圖片等資料的向量表示。
核心觀念
它常和 RAG 搭配做語意搜尋。
關鍵詞
向量: 資料的數值表示; 相似度搜尋: 找語意接近資料; Embedding: 轉成向量
大型語言模型（第 13 輪複習）
大型語言模型能根據上下文預測與生成文字。
核心觀念
它擅長語言任務，但可能產生幻覺或過時資訊。
關鍵詞
LLM: 大型語言模型; 上下文: 提供給模型的資訊; Token 限制: 可處理文字長度限制
推薦系統（第 13 輪複習）
推薦系統根據使用者行為、內容特徵或相似族群推薦項目。
核心觀念
它常用於電商、影音平台與新聞內容。
關鍵詞
協同過濾: 看相似使用者; 內容式推薦: 看物品特徵; 冷啟動: 新用戶或新物品資料不足
電腦視覺（第 13 輪複習）
電腦視覺讓電腦處理與理解影像或影片。
核心觀念
常見任務有分類、物件偵測、影像分割與瑕疵檢測。
關鍵詞
物件偵測: 找位置與類別; 分割: 標出區域; OCR: 影像文字辨識
自然語言處理（第 13 輪複習）
自然語言處理讓電腦理解、分析或生成文字與語音。
核心觀念
常見任務有分類、摘要、翻譯、問答與情緒分析。
關鍵詞
NLP: 自然語言處理; Token: 文字切分單位; Embedding: 文字向量表示
混淆矩陣（第 13 輪複習）
混淆矩陣用 TP、FP、TN、FN 分析分類模型結果。
核心觀念
精確率與召回率都可由混淆矩陣計算。
關鍵詞
TP: 真正例; FP: 假正例; TN: 真負例; FN: 假負例
訓練集與測試集（第 13 輪複習）
訓練集用來學習，測試集用來評估模型在新資料上的表現。
核心觀念
不能用測試集反覆調模型，否則評估會失真。
關鍵詞
資料切分: 分成訓練驗證測試; 驗證集: 調整模型; 測試集: 最終評估
特徵工程（第 13 輪複習）
特徵工程是把原始資料轉換成模型更容易使用的欄位。
核心觀念
好的特徵可能比複雜模型更能提升表現。
關鍵詞
標準化: 調整尺度; 編碼: 將類別轉數字; 衍生欄位: 從既有欄位產生新資訊
分群（第 13 輪複習）
分群是在沒有標籤時找出相似群組。
核心觀念
分群結果需要人再解讀其商業意義。
關鍵詞
K-means: 常見分群方法; 群中心: 群組代表點; 相似度: 資料接近程度
迴歸（第 13 輪複習）
迴歸是預測連續數值。
核心觀念
輸出若是價格、銷量、溫度或分數，通常是迴歸。
關鍵詞
連續值: 可用數字大小表示; MAE: 平均絕對誤差; RMSE: 平方誤差相關指標
分類（第 13 輪複習）
分類是把資料分到離散類別。
核心觀念
輸出若是貓/狗、正常/異常、通過/不通過，通常是分類。
關鍵詞
二元分類: 兩類; 多類分類: 多個類別; 混淆矩陣: 分析分類結果
演算法（第 13 輪複習）
演算法是一套解決問題的步驟或方法。
核心觀念
機器學習演算法用來從資料中建立模型。
關鍵詞
決策樹: 樹狀判斷; KNN: 近鄰比較; 神經網路: 多層運算模型
模型（第 13 輪複習）
模型是從資料中學到的規則或表示方式。
核心觀念
訓練完成後，模型可對新資料做預測或生成。
關鍵詞
訓練: 學習規律; 推論: 用模型產生結果; 參數: 模型內部數值
資料（第 13 輪複習）
資料是 AI 系統學習與推論的基礎。
核心觀念
資料可以是表格、文字、圖片、聲音或感測器紀錄。
關鍵詞
結構化資料: 表格欄位; 非結構化資料: 文字圖片音訊; 特徵: 可用來判斷的資料欄位
生成式 AI 限制（第 12 輪複習）
生成式 AI 可能犯錯、編造來源、洩漏資料或受到提示詞攻擊。
核心觀念
使用時要設定資料權限、輸出檢查與禁止輸入敏感資料規範。
關鍵詞
幻覺: 錯誤生成; Prompt injection: 提示詞攻擊; 敏感資料: 不宜外洩資訊
自動化（第 12 輪複習）
自動化是讓系統依規則或模型執行重複流程。
核心觀念
AI 可強化自動化，但高風險流程仍需人類覆核。
關鍵詞
Workflow: 工作流程; Rule-based: 規則式; AI-assisted: AI 輔助
模型偏誤（第 12 輪複習）
模型偏誤可能來自資料代表性不足、標註不一致或設計不當。
核心觀念
偏誤不只影響準確率，也可能造成公平性問題。
關鍵詞
Bias: 偏誤; Fairness: 公平性; Representative data: 具代表性的資料
資料漂移（第 12 輪複習）
資料漂移是上線後新資料分布和訓練資料不同。
核心觀念
資料漂移會讓模型效果下降，因此需要監控。
關鍵詞
Drift: 漂移; Monitoring: 監控; Retraining: 重新訓練
雲端與邊緣（第 12 輪複習）
雲端適合集中運算，邊緣運算適合低延遲或資料不易外傳的場景。
核心觀念
選擇部署位置時要考慮成本、延遲、隱私與維運。
關鍵詞
Cloud: 雲端; Edge: 邊緣; Latency: 延遲; On-premise: 內部部署
API（第 12 輪複習）
API 是系統之間交換資料或功能的介面。
核心觀念
AI 服務常透過 API 提供模型推論能力。
關鍵詞
Endpoint: API 位置; Request: 請求; Response: 回應; Rate limit: 呼叫限制
向量資料庫（第 12 輪複習）
向量資料庫用來儲存與搜尋文字、圖片等資料的向量表示。
核心觀念
它常和 RAG 搭配做語意搜尋。
關鍵詞
向量: 資料的數值表示; 相似度搜尋: 找語意接近資料; Embedding: 轉成向量
大型語言模型（第 12 輪複習）
大型語言模型能根據上下文預測與生成文字。
核心觀念
它擅長語言任務，但可能產生幻覺或過時資訊。
關鍵詞
LLM: 大型語言模型; 上下文: 提供給模型的資訊; Token 限制: 可處理文字長度限制
推薦系統（第 12 輪複習）
推薦系統根據使用者行為、內容特徵或相似族群推薦項目。
核心觀念
它常用於電商、影音平台與新聞內容。
關鍵詞
協同過濾: 看相似使用者; 內容式推薦: 看物品特徵; 冷啟動: 新用戶或新物品資料不足
電腦視覺（第 12 輪複習）
電腦視覺讓電腦處理與理解影像或影片。
核心觀念
常見任務有分類、物件偵測、影像分割與瑕疵檢測。
關鍵詞
物件偵測: 找位置與類別; 分割: 標出區域; OCR: 影像文字辨識
自然語言處理（第 12 輪複習）
自然語言處理讓電腦理解、分析或生成文字與語音。
核心觀念
常見任務有分類、摘要、翻譯、問答與情緒分析。
關鍵詞
NLP: 自然語言處理; Token: 文字切分單位; Embedding: 文字向量表示
混淆矩陣（第 12 輪複習）
混淆矩陣用 TP、FP、TN、FN 分析分類模型結果。
核心觀念
精確率與召回率都可由混淆矩陣計算。
關鍵詞
TP: 真正例; FP: 假正例; TN: 真負例; FN: 假負例
訓練集與測試集（第 12 輪複習）
訓練集用來學習，測試集用來評估模型在新資料上的表現。
核心觀念
不能用測試集反覆調模型，否則評估會失真。
關鍵詞
資料切分: 分成訓練驗證測試; 驗證集: 調整模型; 測試集: 最終評估
特徵工程（第 12 輪複習）
特徵工程是把原始資料轉換成模型更容易使用的欄位。
核心觀念
好的特徵可能比複雜模型更能提升表現。
關鍵詞
標準化: 調整尺度; 編碼: 將類別轉數字; 衍生欄位: 從既有欄位產生新資訊
分群（第 12 輪複習）
分群是在沒有標籤時找出相似群組。
核心觀念
分群結果需要人再解讀其商業意義。
關鍵詞
K-means: 常見分群方法; 群中心: 群組代表點; 相似度: 資料接近程度
迴歸（第 12 輪複習）
迴歸是預測連續數值。
核心觀念
輸出若是價格、銷量、溫度或分數，通常是迴歸。
關鍵詞
連續值: 可用數字大小表示; MAE: 平均絕對誤差; RMSE: 平方誤差相關指標
分類（第 12 輪複習）
分類是把資料分到離散類別。
核心觀念
輸出若是貓/狗、正常/異常、通過/不通過，通常是分類。
關鍵詞
二元分類: 兩類; 多類分類: 多個類別; 混淆矩陣: 分析分類結果
演算法（第 12 輪複習）
演算法是一套解決問題的步驟或方法。
核心觀念
機器學習演算法用來從資料中建立模型。
關鍵詞
決策樹: 樹狀判斷; KNN: 近鄰比較; 神經網路: 多層運算模型
模型（第 12 輪複習）
模型是從資料中學到的規則或表示方式。
核心觀念
訓練完成後，模型可對新資料做預測或生成。
關鍵詞
訓練: 學習規律; 推論: 用模型產生結果; 參數: 模型內部數值
資料（第 12 輪複習）
資料是 AI 系統學習與推論的基礎。
核心觀念
資料可以是表格、文字、圖片、聲音或感測器紀錄。
關鍵詞
結構化資料: 表格欄位; 非結構化資料: 文字圖片音訊; 特徵: 可用來判斷的資料欄位
生成式 AI 限制（第 11 輪複習）
生成式 AI 可能犯錯、編造來源、洩漏資料或受到提示詞攻擊。
核心觀念
使用時要設定資料權限、輸出檢查與禁止輸入敏感資料規範。
關鍵詞
幻覺: 錯誤生成; Prompt injection: 提示詞攻擊; 敏感資料: 不宜外洩資訊
自動化（第 11 輪複習）
自動化是讓系統依規則或模型執行重複流程。
核心觀念
AI 可強化自動化，但高風險流程仍需人類覆核。
關鍵詞
Workflow: 工作流程; Rule-based: 規則式; AI-assisted: AI 輔助
模型偏誤（第 11 輪複習）
模型偏誤可能來自資料代表性不足、標註不一致或設計不當。
核心觀念
偏誤不只影響準確率，也可能造成公平性問題。
關鍵詞
Bias: 偏誤; Fairness: 公平性; Representative data: 具代表性的資料
資料漂移（第 11 輪複習）
資料漂移是上線後新資料分布和訓練資料不同。
核心觀念
資料漂移會讓模型效果下降，因此需要監控。
關鍵詞
Drift: 漂移; Monitoring: 監控; Retraining: 重新訓練
雲端與邊緣（第 11 輪複習）
雲端適合集中運算，邊緣運算適合低延遲或資料不易外傳的場景。
核心觀念
選擇部署位置時要考慮成本、延遲、隱私與維運。
關鍵詞
Cloud: 雲端; Edge: 邊緣; Latency: 延遲; On-premise: 內部部署
API（第 11 輪複習）
API 是系統之間交換資料或功能的介面。
核心觀念
AI 服務常透過 API 提供模型推論能力。
關鍵詞
Endpoint: API 位置; Request: 請求; Response: 回應; Rate limit: 呼叫限制
向量資料庫（第 11 輪複習）
向量資料庫用來儲存與搜尋文字、圖片等資料的向量表示。
核心觀念
它常和 RAG 搭配做語意搜尋。
關鍵詞
向量: 資料的數值表示; 相似度搜尋: 找語意接近資料; Embedding: 轉成向量
大型語言模型（第 11 輪複習）
大型語言模型能根據上下文預測與生成文字。
核心觀念
它擅長語言任務，但可能產生幻覺或過時資訊。
關鍵詞
LLM: 大型語言模型; 上下文: 提供給模型的資訊; Token 限制: 可處理文字長度限制
推薦系統（第 11 輪複習）
推薦系統根據使用者行為、內容特徵或相似族群推薦項目。
核心觀念
它常用於電商、影音平台與新聞內容。
關鍵詞
協同過濾: 看相似使用者; 內容式推薦: 看物品特徵; 冷啟動: 新用戶或新物品資料不足
電腦視覺（第 11 輪複習）
電腦視覺讓電腦處理與理解影像或影片。
核心觀念
常見任務有分類、物件偵測、影像分割與瑕疵檢測。
關鍵詞
物件偵測: 找位置與類別; 分割: 標出區域; OCR: 影像文字辨識
自然語言處理（第 11 輪複習）
自然語言處理讓電腦理解、分析或生成文字與語音。
核心觀念
常見任務有分類、摘要、翻譯、問答與情緒分析。
關鍵詞
NLP: 自然語言處理; Token: 文字切分單位; Embedding: 文字向量表示
混淆矩陣（第 11 輪複習）
混淆矩陣用 TP、FP、TN、FN 分析分類模型結果。
核心觀念
精確率與召回率都可由混淆矩陣計算。
關鍵詞
TP: 真正例; FP: 假正例; TN: 真負例; FN: 假負例
訓練集與測試集（第 11 輪複習）
訓練集用來學習，測試集用來評估模型在新資料上的表現。
核心觀念
不能用測試集反覆調模型，否則評估會失真。
關鍵詞
資料切分: 分成訓練驗證測試; 驗證集: 調整模型; 測試集: 最終評估
特徵工程（第 11 輪複習）
特徵工程是把原始資料轉換成模型更容易使用的欄位。
核心觀念
好的特徵可能比複雜模型更能提升表現。
關鍵詞
標準化: 調整尺度; 編碼: 將類別轉數字; 衍生欄位: 從既有欄位產生新資訊
分群（第 11 輪複習）
分群是在沒有標籤時找出相似群組。
核心觀念
分群結果需要人再解讀其商業意義。
關鍵詞
K-means: 常見分群方法; 群中心: 群組代表點; 相似度: 資料接近程度
迴歸（第 11 輪複習）
迴歸是預測連續數值。
核心觀念
輸出若是價格、銷量、溫度或分數，通常是迴歸。
關鍵詞
連續值: 可用數字大小表示; MAE: 平均絕對誤差; RMSE: 平方誤差相關指標
分類（第 11 輪複習）
分類是把資料分到離散類別。
核心觀念
輸出若是貓/狗、正常/異常、通過/不通過，通常是分類。
關鍵詞
二元分類: 兩類; 多類分類: 多個類別; 混淆矩陣: 分析分類結果
演算法（第 11 輪複習）
演算法是一套解決問題的步驟或方法。
核心觀念
機器學習演算法用來從資料中建立模型。
關鍵詞
決策樹: 樹狀判斷; KNN: 近鄰比較; 神經網路: 多層運算模型
模型（第 11 輪複習）
模型是從資料中學到的規則或表示方式。
核心觀念
訓練完成後，模型可對新資料做預測或生成。
關鍵詞
訓練: 學習規律; 推論: 用模型產生結果; 參數: 模型內部數值
資料（第 11 輪複習）
資料是 AI 系統學習與推論的基礎。
核心觀念
資料可以是表格、文字、圖片、聲音或感測器紀錄。
關鍵詞
結構化資料: 表格欄位; 非結構化資料: 文字圖片音訊; 特徵: 可用來判斷的資料欄位
生成式 AI 限制（第 10 輪複習）
生成式 AI 可能犯錯、編造來源、洩漏資料或受到提示詞攻擊。
核心觀念
使用時要設定資料權限、輸出檢查與禁止輸入敏感資料規範。
關鍵詞
幻覺: 錯誤生成; Prompt injection: 提示詞攻擊; 敏感資料: 不宜外洩資訊
自動化（第 10 輪複習）
自動化是讓系統依規則或模型執行重複流程。
核心觀念
AI 可強化自動化，但高風險流程仍需人類覆核。
關鍵詞
Workflow: 工作流程; Rule-based: 規則式; AI-assisted: AI 輔助
模型偏誤（第 10 輪複習）
模型偏誤可能來自資料代表性不足、標註不一致或設計不當。
核心觀念
偏誤不只影響準確率，也可能造成公平性問題。
關鍵詞
Bias: 偏誤; Fairness: 公平性; Representative data: 具代表性的資料
資料漂移（第 10 輪複習）
資料漂移是上線後新資料分布和訓練資料不同。
核心觀念
資料漂移會讓模型效果下降，因此需要監控。
關鍵詞
Drift: 漂移; Monitoring: 監控; Retraining: 重新訓練
雲端與邊緣（第 10 輪複習）
雲端適合集中運算，邊緣運算適合低延遲或資料不易外傳的場景。
核心觀念
選擇部署位置時要考慮成本、延遲、隱私與維運。
關鍵詞
Cloud: 雲端; Edge: 邊緣; Latency: 延遲; On-premise: 內部部署
API（第 10 輪複習）
API 是系統之間交換資料或功能的介面。
核心觀念
AI 服務常透過 API 提供模型推論能力。
關鍵詞
Endpoint: API 位置; Request: 請求; Response: 回應; Rate limit: 呼叫限制
向量資料庫（第 10 輪複習）
向量資料庫用來儲存與搜尋文字、圖片等資料的向量表示。
核心觀念
它常和 RAG 搭配做語意搜尋。
關鍵詞
向量: 資料的數值表示; 相似度搜尋: 找語意接近資料; Embedding: 轉成向量
大型語言模型（第 10 輪複習）
大型語言模型能根據上下文預測與生成文字。
核心觀念
它擅長語言任務，但可能產生幻覺或過時資訊。
關鍵詞
LLM: 大型語言模型; 上下文: 提供給模型的資訊; Token 限制: 可處理文字長度限制
推薦系統（第 10 輪複習）
推薦系統根據使用者行為、內容特徵或相似族群推薦項目。
核心觀念
它常用於電商、影音平台與新聞內容。
關鍵詞
協同過濾: 看相似使用者; 內容式推薦: 看物品特徵; 冷啟動: 新用戶或新物品資料不足
電腦視覺（第 10 輪複習）
電腦視覺讓電腦處理與理解影像或影片。
核心觀念
常見任務有分類、物件偵測、影像分割與瑕疵檢測。
關鍵詞
物件偵測: 找位置與類別; 分割: 標出區域; OCR: 影像文字辨識
自然語言處理（第 10 輪複習）
自然語言處理讓電腦理解、分析或生成文字與語音。
核心觀念
常見任務有分類、摘要、翻譯、問答與情緒分析。
關鍵詞
NLP: 自然語言處理; Token: 文字切分單位; Embedding: 文字向量表示
混淆矩陣（第 10 輪複習）
混淆矩陣用 TP、FP、TN、FN 分析分類模型結果。
核心觀念
精確率與召回率都可由混淆矩陣計算。
關鍵詞
TP: 真正例; FP: 假正例; TN: 真負例; FN: 假負例
訓練集與測試集（第 10 輪複習）
訓練集用來學習，測試集用來評估模型在新資料上的表現。
核心觀念
不能用測試集反覆調模型，否則評估會失真。
關鍵詞
資料切分: 分成訓練驗證測試; 驗證集: 調整模型; 測試集: 最終評估
特徵工程（第 10 輪複習）
特徵工程是把原始資料轉換成模型更容易使用的欄位。
核心觀念
好的特徵可能比複雜模型更能提升表現。
關鍵詞
標準化: 調整尺度; 編碼: 將類別轉數字; 衍生欄位: 從既有欄位產生新資訊
分群（第 10 輪複習）
分群是在沒有標籤時找出相似群組。
核心觀念
分群結果需要人再解讀其商業意義。
關鍵詞
K-means: 常見分群方法; 群中心: 群組代表點; 相似度: 資料接近程度
迴歸（第 10 輪複習）
迴歸是預測連續數值。
核心觀念
輸出若是價格、銷量、溫度或分數，通常是迴歸。
關鍵詞
連續值: 可用數字大小表示; MAE: 平均絕對誤差; RMSE: 平方誤差相關指標
分類（第 10 輪複習）
分類是把資料分到離散類別。
核心觀念
輸出若是貓/狗、正常/異常、通過/不通過，通常是分類。
關鍵詞
二元分類: 兩類; 多類分類: 多個類別; 混淆矩陣: 分析分類結果
演算法（第 10 輪複習）
演算法是一套解決問題的步驟或方法。
核心觀念
機器學習演算法用來從資料中建立模型。
關鍵詞
決策樹: 樹狀判斷; KNN: 近鄰比較; 神經網路: 多層運算模型
模型（第 10 輪複習）
模型是從資料中學到的規則或表示方式。
核心觀念
訓練完成後，模型可對新資料做預測或生成。
關鍵詞
訓練: 學習規律; 推論: 用模型產生結果; 參數: 模型內部數值
資料（第 10 輪複習）
資料是 AI 系統學習與推論的基礎。
核心觀念
資料可以是表格、文字、圖片、聲音或感測器紀錄。
關鍵詞
結構化資料: 表格欄位; 非結構化資料: 文字圖片音訊; 特徵: 可用來判斷的資料欄位
生成式 AI 限制（第 9 輪複習）
生成式 AI 可能犯錯、編造來源、洩漏資料或受到提示詞攻擊。
核心觀念
使用時要設定資料權限、輸出檢查與禁止輸入敏感資料規範。
關鍵詞
幻覺: 錯誤生成; Prompt injection: 提示詞攻擊; 敏感資料: 不宜外洩資訊
自動化（第 9 輪複習）
自動化是讓系統依規則或模型執行重複流程。
核心觀念
AI 可強化自動化，但高風險流程仍需人類覆核。
關鍵詞
Workflow: 工作流程; Rule-based: 規則式; AI-assisted: AI 輔助
模型偏誤（第 9 輪複習）
模型偏誤可能來自資料代表性不足、標註不一致或設計不當。
核心觀念
偏誤不只影響準確率，也可能造成公平性問題。
關鍵詞
Bias: 偏誤; Fairness: 公平性; Representative data: 具代表性的資料
資料漂移（第 9 輪複習）
資料漂移是上線後新資料分布和訓練資料不同。
核心觀念
資料漂移會讓模型效果下降，因此需要監控。
關鍵詞
Drift: 漂移; Monitoring: 監控; Retraining: 重新訓練
雲端與邊緣（第 9 輪複習）
雲端適合集中運算，邊緣運算適合低延遲或資料不易外傳的場景。
核心觀念
選擇部署位置時要考慮成本、延遲、隱私與維運。
關鍵詞
Cloud: 雲端; Edge: 邊緣; Latency: 延遲; On-premise: 內部部署
API（第 9 輪複習）
API 是系統之間交換資料或功能的介面。
核心觀念
AI 服務常透過 API 提供模型推論能力。
關鍵詞
Endpoint: API 位置; Request: 請求; Response: 回應; Rate limit: 呼叫限制
向量資料庫（第 9 輪複習）
向量資料庫用來儲存與搜尋文字、圖片等資料的向量表示。
核心觀念
它常和 RAG 搭配做語意搜尋。
關鍵詞
向量: 資料的數值表示; 相似度搜尋: 找語意接近資料; Embedding: 轉成向量
大型語言模型（第 9 輪複習）
大型語言模型能根據上下文預測與生成文字。
核心觀念
它擅長語言任務，但可能產生幻覺或過時資訊。
關鍵詞
LLM: 大型語言模型; 上下文: 提供給模型的資訊; Token 限制: 可處理文字長度限制
推薦系統（第 9 輪複習）
推薦系統根據使用者行為、內容特徵或相似族群推薦項目。
核心觀念
它常用於電商、影音平台與新聞內容。
關鍵詞
協同過濾: 看相似使用者; 內容式推薦: 看物品特徵; 冷啟動: 新用戶或新物品資料不足
電腦視覺（第 9 輪複習）
電腦視覺讓電腦處理與理解影像或影片。
核心觀念
常見任務有分類、物件偵測、影像分割與瑕疵檢測。
關鍵詞
物件偵測: 找位置與類別; 分割: 標出區域; OCR: 影像文字辨識
自然語言處理（第 9 輪複習）
自然語言處理讓電腦理解、分析或生成文字與語音。
核心觀念
常見任務有分類、摘要、翻譯、問答與情緒分析。
關鍵詞
NLP: 自然語言處理; Token: 文字切分單位; Embedding: 文字向量表示
混淆矩陣（第 9 輪複習）
混淆矩陣用 TP、FP、TN、FN 分析分類模型結果。
核心觀念
精確率與召回率都可由混淆矩陣計算。
關鍵詞
TP: 真正例; FP: 假正例; TN: 真負例; FN: 假負例
訓練集與測試集（第 9 輪複習）
訓練集用來學習，測試集用來評估模型在新資料上的表現。
核心觀念
不能用測試集反覆調模型，否則評估會失真。
關鍵詞
資料切分: 分成訓練驗證測試; 驗證集: 調整模型; 測試集: 最終評估
特徵工程（第 9 輪複習）
特徵工程是把原始資料轉換成模型更容易使用的欄位。
核心觀念
好的特徵可能比複雜模型更能提升表現。
關鍵詞
標準化: 調整尺度; 編碼: 將類別轉數字; 衍生欄位: 從既有欄位產生新資訊
分群（第 9 輪複習）
分群是在沒有標籤時找出相似群組。
核心觀念
分群結果需要人再解讀其商業意義。
關鍵詞
K-means: 常見分群方法; 群中心: 群組代表點; 相似度: 資料接近程度
迴歸（第 9 輪複習）
迴歸是預測連續數值。
核心觀念
輸出若是價格、銷量、溫度或分數，通常是迴歸。
關鍵詞
連續值: 可用數字大小表示; MAE: 平均絕對誤差; RMSE: 平方誤差相關指標
分類（第 9 輪複習）
分類是把資料分到離散類別。
核心觀念
輸出若是貓/狗、正常/異常、通過/不通過，通常是分類。
關鍵詞
二元分類: 兩類; 多類分類: 多個類別; 混淆矩陣: 分析分類結果
演算法（第 9 輪複習）
演算法是一套解決問題的步驟或方法。
核心觀念
機器學習演算法用來從資料中建立模型。
關鍵詞
決策樹: 樹狀判斷; KNN: 近鄰比較; 神經網路: 多層運算模型
模型（第 9 輪複習）
模型是從資料中學到的規則或表示方式。
核心觀念
訓練完成後，模型可對新資料做預測或生成。
關鍵詞
訓練: 學習規律; 推論: 用模型產生結果; 參數: 模型內部數值
資料（第 9 輪複習）
資料是 AI 系統學習與推論的基礎。
核心觀念
資料可以是表格、文字、圖片、聲音或感測器紀錄。
關鍵詞
結構化資料: 表格欄位; 非結構化資料: 文字圖片音訊; 特徵: 可用來判斷的資料欄位
生成式 AI 限制（第 8 輪複習）
生成式 AI 可能犯錯、編造來源、洩漏資料或受到提示詞攻擊。
核心觀念
使用時要設定資料權限、輸出檢查與禁止輸入敏感資料規範。
關鍵詞
幻覺: 錯誤生成; Prompt injection: 提示詞攻擊; 敏感資料: 不宜外洩資訊
自動化（第 8 輪複習）
自動化是讓系統依規則或模型執行重複流程。
核心觀念
AI 可強化自動化，但高風險流程仍需人類覆核。
關鍵詞
Workflow: 工作流程; Rule-based: 規則式; AI-assisted: AI 輔助
模型偏誤（第 8 輪複習）
模型偏誤可能來自資料代表性不足、標註不一致或設計不當。
核心觀念
偏誤不只影響準確率，也可能造成公平性問題。
關鍵詞
Bias: 偏誤; Fairness: 公平性; Representative data: 具代表性的資料
資料漂移（第 8 輪複習）
資料漂移是上線後新資料分布和訓練資料不同。
核心觀念
資料漂移會讓模型效果下降，因此需要監控。
關鍵詞
Drift: 漂移; Monitoring: 監控; Retraining: 重新訓練
雲端與邊緣（第 8 輪複習）
雲端適合集中運算，邊緣運算適合低延遲或資料不易外傳的場景。
核心觀念
選擇部署位置時要考慮成本、延遲、隱私與維運。
關鍵詞
Cloud: 雲端; Edge: 邊緣; Latency: 延遲; On-premise: 內部部署
API（第 8 輪複習）
API 是系統之間交換資料或功能的介面。
核心觀念
AI 服務常透過 API 提供模型推論能力。
關鍵詞
Endpoint: API 位置; Request: 請求; Response: 回應; Rate limit: 呼叫限制
向量資料庫（第 8 輪複習）
向量資料庫用來儲存與搜尋文字、圖片等資料的向量表示。
核心觀念
它常和 RAG 搭配做語意搜尋。
關鍵詞
向量: 資料的數值表示; 相似度搜尋: 找語意接近資料; Embedding: 轉成向量
大型語言模型（第 8 輪複習）
大型語言模型能根據上下文預測與生成文字。
核心觀念
它擅長語言任務，但可能產生幻覺或過時資訊。
關鍵詞
LLM: 大型語言模型; 上下文: 提供給模型的資訊; Token 限制: 可處理文字長度限制
推薦系統（第 8 輪複習）
推薦系統根據使用者行為、內容特徵或相似族群推薦項目。
核心觀念
它常用於電商、影音平台與新聞內容。
關鍵詞
協同過濾: 看相似使用者; 內容式推薦: 看物品特徵; 冷啟動: 新用戶或新物品資料不足
電腦視覺（第 8 輪複習）
電腦視覺讓電腦處理與理解影像或影片。
核心觀念
常見任務有分類、物件偵測、影像分割與瑕疵檢測。
關鍵詞
物件偵測: 找位置與類別; 分割: 標出區域; OCR: 影像文字辨識
自然語言處理（第 8 輪複習）
自然語言處理讓電腦理解、分析或生成文字與語音。
核心觀念
常見任務有分類、摘要、翻譯、問答與情緒分析。
關鍵詞
NLP: 自然語言處理; Token: 文字切分單位; Embedding: 文字向量表示
混淆矩陣（第 8 輪複習）
混淆矩陣用 TP、FP、TN、FN 分析分類模型結果。
核心觀念
精確率與召回率都可由混淆矩陣計算。
關鍵詞
TP: 真正例; FP: 假正例; TN: 真負例; FN: 假負例
訓練集與測試集（第 8 輪複習）
訓練集用來學習，測試集用來評估模型在新資料上的表現。
核心觀念
不能用測試集反覆調模型，否則評估會失真。
關鍵詞
資料切分: 分成訓練驗證測試; 驗證集: 調整模型; 測試集: 最終評估
特徵工程（第 8 輪複習）
特徵工程是把原始資料轉換成模型更容易使用的欄位。
核心觀念
好的特徵可能比複雜模型更能提升表現。
關鍵詞
標準化: 調整尺度; 編碼: 將類別轉數字; 衍生欄位: 從既有欄位產生新資訊
分群（第 8 輪複習）
分群是在沒有標籤時找出相似群組。
核心觀念
分群結果需要人再解讀其商業意義。
關鍵詞
K-means: 常見分群方法; 群中心: 群組代表點; 相似度: 資料接近程度
迴歸（第 8 輪複習）
迴歸是預測連續數值。
核心觀念
輸出若是價格、銷量、溫度或分數，通常是迴歸。
關鍵詞
連續值: 可用數字大小表示; MAE: 平均絕對誤差; RMSE: 平方誤差相關指標
分類（第 8 輪複習）
分類是把資料分到離散類別。
核心觀念
輸出若是貓/狗、正常/異常、通過/不通過，通常是分類。
關鍵詞
二元分類: 兩類; 多類分類: 多個類別; 混淆矩陣: 分析分類結果
演算法（第 8 輪複習）
演算法是一套解決問題的步驟或方法。
核心觀念
機器學習演算法用來從資料中建立模型。
關鍵詞
決策樹: 樹狀判斷; KNN: 近鄰比較; 神經網路: 多層運算模型
模型（第 8 輪複習）
模型是從資料中學到的規則或表示方式。
核心觀念
訓練完成後，模型可對新資料做預測或生成。
關鍵詞
訓練: 學習規律; 推論: 用模型產生結果; 參數: 模型內部數值
資料（第 8 輪複習）
資料是 AI 系統學習與推論的基礎。
核心觀念
資料可以是表格、文字、圖片、聲音或感測器紀錄。
關鍵詞
結構化資料: 表格欄位; 非結構化資料: 文字圖片音訊; 特徵: 可用來判斷的資料欄位
生成式 AI 限制（第 7 輪複習）
生成式 AI 可能犯錯、編造來源、洩漏資料或受到提示詞攻擊。
核心觀念
使用時要設定資料權限、輸出檢查與禁止輸入敏感資料規範。
關鍵詞
幻覺: 錯誤生成; Prompt injection: 提示詞攻擊; 敏感資料: 不宜外洩資訊
自動化（第 7 輪複習）
自動化是讓系統依規則或模型執行重複流程。
核心觀念
AI 可強化自動化，但高風險流程仍需人類覆核。
關鍵詞
Workflow: 工作流程; Rule-based: 規則式; AI-assisted: AI 輔助
模型偏誤（第 7 輪複習）
模型偏誤可能來自資料代表性不足、標註不一致或設計不當。
核心觀念
偏誤不只影響準確率，也可能造成公平性問題。
關鍵詞
Bias: 偏誤; Fairness: 公平性; Representative data: 具代表性的資料
資料漂移（第 7 輪複習）
資料漂移是上線後新資料分布和訓練資料不同。
核心觀念
資料漂移會讓模型效果下降，因此需要監控。
關鍵詞
Drift: 漂移; Monitoring: 監控; Retraining: 重新訓練
雲端與邊緣（第 7 輪複習）
雲端適合集中運算，邊緣運算適合低延遲或資料不易外傳的場景。
核心觀念
選擇部署位置時要考慮成本、延遲、隱私與維運。
關鍵詞
Cloud: 雲端; Edge: 邊緣; Latency: 延遲; On-premise: 內部部署
API（第 7 輪複習）
API 是系統之間交換資料或功能的介面。
核心觀念
AI 服務常透過 API 提供模型推論能力。
關鍵詞
Endpoint: API 位置; Request: 請求; Response: 回應; Rate limit: 呼叫限制
向量資料庫（第 7 輪複習）
向量資料庫用來儲存與搜尋文字、圖片等資料的向量表示。
核心觀念
它常和 RAG 搭配做語意搜尋。
關鍵詞
向量: 資料的數值表示; 相似度搜尋: 找語意接近資料; Embedding: 轉成向量
大型語言模型（第 7 輪複習）
大型語言模型能根據上下文預測與生成文字。
核心觀念
它擅長語言任務，但可能產生幻覺或過時資訊。
關鍵詞
LLM: 大型語言模型; 上下文: 提供給模型的資訊; Token 限制: 可處理文字長度限制
推薦系統（第 7 輪複習）
推薦系統根據使用者行為、內容特徵或相似族群推薦項目。
核心觀念
它常用於電商、影音平台與新聞內容。
關鍵詞
協同過濾: 看相似使用者; 內容式推薦: 看物品特徵; 冷啟動: 新用戶或新物品資料不足
電腦視覺（第 7 輪複習）
電腦視覺讓電腦處理與理解影像或影片。
核心觀念
常見任務有分類、物件偵測、影像分割與瑕疵檢測。
關鍵詞
物件偵測: 找位置與類別; 分割: 標出區域; OCR: 影像文字辨識
自然語言處理（第 7 輪複習）
自然語言處理讓電腦理解、分析或生成文字與語音。
核心觀念
常見任務有分類、摘要、翻譯、問答與情緒分析。
關鍵詞
NLP: 自然語言處理; Token: 文字切分單位; Embedding: 文字向量表示
混淆矩陣（第 7 輪複習）
混淆矩陣用 TP、FP、TN、FN 分析分類模型結果。
核心觀念
精確率與召回率都可由混淆矩陣計算。
關鍵詞
TP: 真正例; FP: 假正例; TN: 真負例; FN: 假負例
訓練集與測試集（第 7 輪複習）
訓練集用來學習，測試集用來評估模型在新資料上的表現。
核心觀念
不能用測試集反覆調模型，否則評估會失真。
關鍵詞
資料切分: 分成訓練驗證測試; 驗證集: 調整模型; 測試集: 最終評估
特徵工程（第 7 輪複習）
特徵工程是把原始資料轉換成模型更容易使用的欄位。
核心觀念
好的特徵可能比複雜模型更能提升表現。
關鍵詞
標準化: 調整尺度; 編碼: 將類別轉數字; 衍生欄位: 從既有欄位產生新資訊
分群（第 7 輪複習）
分群是在沒有標籤時找出相似群組。
核心觀念
分群結果需要人再解讀其商業意義。
關鍵詞
K-means: 常見分群方法; 群中心: 群組代表點; 相似度: 資料接近程度
迴歸（第 7 輪複習）
迴歸是預測連續數值。
核心觀念
輸出若是價格、銷量、溫度或分數，通常是迴歸。
關鍵詞
連續值: 可用數字大小表示; MAE: 平均絕對誤差; RMSE: 平方誤差相關指標
分類（第 7 輪複習）
分類是把資料分到離散類別。
核心觀念
輸出若是貓/狗、正常/異常、通過/不通過，通常是分類。
關鍵詞
二元分類: 兩類; 多類分類: 多個類別; 混淆矩陣: 分析分類結果
演算法（第 7 輪複習）
演算法是一套解決問題的步驟或方法。
核心觀念
機器學習演算法用來從資料中建立模型。
關鍵詞
決策樹: 樹狀判斷; KNN: 近鄰比較; 神經網路: 多層運算模型
模型（第 7 輪複習）
模型是從資料中學到的規則或表示方式。
核心觀念
訓練完成後，模型可對新資料做預測或生成。
關鍵詞
訓練: 學習規律; 推論: 用模型產生結果; 參數: 模型內部數值
資料（第 7 輪複習）
資料是 AI 系統學習與推論的基礎。
核心觀念
資料可以是表格、文字、圖片、聲音或感測器紀錄。
關鍵詞
結構化資料: 表格欄位; 非結構化資料: 文字圖片音訊; 特徵: 可用來判斷的資料欄位
生成式 AI 限制（第 6 輪複習）
生成式 AI 可能犯錯、編造來源、洩漏資料或受到提示詞攻擊。
核心觀念
使用時要設定資料權限、輸出檢查與禁止輸入敏感資料規範。
關鍵詞
幻覺: 錯誤生成; Prompt injection: 提示詞攻擊; 敏感資料: 不宜外洩資訊
自動化（第 6 輪複習）
自動化是讓系統依規則或模型執行重複流程。
核心觀念
AI 可強化自動化，但高風險流程仍需人類覆核。
關鍵詞
Workflow: 工作流程; Rule-based: 規則式; AI-assisted: AI 輔助
模型偏誤（第 6 輪複習）
模型偏誤可能來自資料代表性不足、標註不一致或設計不當。
核心觀念
偏誤不只影響準確率，也可能造成公平性問題。
關鍵詞
Bias: 偏誤; Fairness: 公平性; Representative data: 具代表性的資料
資料漂移（第 6 輪複習）
資料漂移是上線後新資料分布和訓練資料不同。
核心觀念
資料漂移會讓模型效果下降，因此需要監控。
關鍵詞
Drift: 漂移; Monitoring: 監控; Retraining: 重新訓練
雲端與邊緣（第 6 輪複習）
雲端適合集中運算，邊緣運算適合低延遲或資料不易外傳的場景。
核心觀念
選擇部署位置時要考慮成本、延遲、隱私與維運。
關鍵詞
Cloud: 雲端; Edge: 邊緣; Latency: 延遲; On-premise: 內部部署
API（第 6 輪複習）
API 是系統之間交換資料或功能的介面。
核心觀念
AI 服務常透過 API 提供模型推論能力。
關鍵詞
Endpoint: API 位置; Request: 請求; Response: 回應; Rate limit: 呼叫限制
向量資料庫（第 6 輪複習）
向量資料庫用來儲存與搜尋文字、圖片等資料的向量表示。
核心觀念
它常和 RAG 搭配做語意搜尋。
關鍵詞
向量: 資料的數值表示; 相似度搜尋: 找語意接近資料; Embedding: 轉成向量
大型語言模型（第 6 輪複習）
大型語言模型能根據上下文預測與生成文字。
核心觀念
它擅長語言任務，但可能產生幻覺或過時資訊。
關鍵詞
LLM: 大型語言模型; 上下文: 提供給模型的資訊; Token 限制: 可處理文字長度限制
推薦系統（第 6 輪複習）
推薦系統根據使用者行為、內容特徵或相似族群推薦項目。
核心觀念
它常用於電商、影音平台與新聞內容。
關鍵詞
協同過濾: 看相似使用者; 內容式推薦: 看物品特徵; 冷啟動: 新用戶或新物品資料不足
電腦視覺（第 6 輪複習）
電腦視覺讓電腦處理與理解影像或影片。
核心觀念
常見任務有分類、物件偵測、影像分割與瑕疵檢測。
關鍵詞
物件偵測: 找位置與類別; 分割: 標出區域; OCR: 影像文字辨識
自然語言處理（第 6 輪複習）
自然語言處理讓電腦理解、分析或生成文字與語音。
核心觀念
常見任務有分類、摘要、翻譯、問答與情緒分析。
關鍵詞
NLP: 自然語言處理; Token: 文字切分單位; Embedding: 文字向量表示
混淆矩陣（第 6 輪複習）
混淆矩陣用 TP、FP、TN、FN 分析分類模型結果。
核心觀念
精確率與召回率都可由混淆矩陣計算。
關鍵詞
TP: 真正例; FP: 假正例; TN: 真負例; FN: 假負例
訓練集與測試集（第 6 輪複習）
訓練集用來學習，測試集用來評估模型在新資料上的表現。
核心觀念
不能用測試集反覆調模型，否則評估會失真。
關鍵詞
資料切分: 分成訓練驗證測試; 驗證集: 調整模型; 測試集: 最終評估
特徵工程（第 6 輪複習）
特徵工程是把原始資料轉換成模型更容易使用的欄位。
核心觀念
好的特徵可能比複雜模型更能提升表現。
關鍵詞
標準化: 調整尺度; 編碼: 將類別轉數字; 衍生欄位: 從既有欄位產生新資訊
分群（第 6 輪複習）
分群是在沒有標籤時找出相似群組。
核心觀念
分群結果需要人再解讀其商業意義。
關鍵詞
K-means: 常見分群方法; 群中心: 群組代表點; 相似度: 資料接近程度
迴歸（第 6 輪複習）
迴歸是預測連續數值。
核心觀念
輸出若是價格、銷量、溫度或分數，通常是迴歸。
關鍵詞
連續值: 可用數字大小表示; MAE: 平均絕對誤差; RMSE: 平方誤差相關指標
分類（第 6 輪複習）
分類是把資料分到離散類別。
核心觀念
輸出若是貓/狗、正常/異常、通過/不通過，通常是分類。
關鍵詞
二元分類: 兩類; 多類分類: 多個類別; 混淆矩陣: 分析分類結果
演算法（第 6 輪複習）
演算法是一套解決問題的步驟或方法。
核心觀念
機器學習演算法用來從資料中建立模型。
關鍵詞
決策樹: 樹狀判斷; KNN: 近鄰比較; 神經網路: 多層運算模型
模型（第 6 輪複習）
模型是從資料中學到的規則或表示方式。
核心觀念
訓練完成後，模型可對新資料做預測或生成。
關鍵詞
訓練: 學習規律; 推論: 用模型產生結果; 參數: 模型內部數值
資料（第 6 輪複習）
資料是 AI 系統學習與推論的基礎。
核心觀念
資料可以是表格、文字、圖片、聲音或感測器紀錄。
關鍵詞
結構化資料: 表格欄位; 非結構化資料: 文字圖片音訊; 特徵: 可用來判斷的資料欄位
生成式 AI 限制（第 5 輪複習）
生成式 AI 可能犯錯、編造來源、洩漏資料或受到提示詞攻擊。
核心觀念
使用時要設定資料權限、輸出檢查與禁止輸入敏感資料規範。
關鍵詞
幻覺: 錯誤生成; Prompt injection: 提示詞攻擊; 敏感資料: 不宜外洩資訊
自動化（第 5 輪複習）
自動化是讓系統依規則或模型執行重複流程。
核心觀念
AI 可強化自動化，但高風險流程仍需人類覆核。
關鍵詞
Workflow: 工作流程; Rule-based: 規則式; AI-assisted: AI 輔助
模型偏誤（第 5 輪複習）
模型偏誤可能來自資料代表性不足、標註不一致或設計不當。
核心觀念
偏誤不只影響準確率，也可能造成公平性問題。
關鍵詞
Bias: 偏誤; Fairness: 公平性; Representative data: 具代表性的資料
資料漂移（第 5 輪複習）
資料漂移是上線後新資料分布和訓練資料不同。
核心觀念
資料漂移會讓模型效果下降，因此需要監控。
關鍵詞
Drift: 漂移; Monitoring: 監控; Retraining: 重新訓練
雲端與邊緣（第 5 輪複習）
雲端適合集中運算，邊緣運算適合低延遲或資料不易外傳的場景。
核心觀念
選擇部署位置時要考慮成本、延遲、隱私與維運。
關鍵詞
Cloud: 雲端; Edge: 邊緣; Latency: 延遲; On-premise: 內部部署
API（第 5 輪複習）
API 是系統之間交換資料或功能的介面。
核心觀念
AI 服務常透過 API 提供模型推論能力。
關鍵詞
Endpoint: API 位置; Request: 請求; Response: 回應; Rate limit: 呼叫限制
向量資料庫（第 5 輪複習）
向量資料庫用來儲存與搜尋文字、圖片等資料的向量表示。
核心觀念
它常和 RAG 搭配做語意搜尋。
關鍵詞
向量: 資料的數值表示; 相似度搜尋: 找語意接近資料; Embedding: 轉成向量
大型語言模型（第 5 輪複習）
大型語言模型能根據上下文預測與生成文字。
核心觀念
它擅長語言任務，但可能產生幻覺或過時資訊。
關鍵詞
LLM: 大型語言模型; 上下文: 提供給模型的資訊; Token 限制: 可處理文字長度限制
推薦系統（第 5 輪複習）
推薦系統根據使用者行為、內容特徵或相似族群推薦項目。
核心觀念
它常用於電商、影音平台與新聞內容。
關鍵詞
協同過濾: 看相似使用者; 內容式推薦: 看物品特徵; 冷啟動: 新用戶或新物品資料不足
電腦視覺（第 5 輪複習）
電腦視覺讓電腦處理與理解影像或影片。
核心觀念
常見任務有分類、物件偵測、影像分割與瑕疵檢測。
關鍵詞
物件偵測: 找位置與類別; 分割: 標出區域; OCR: 影像文字辨識
自然語言處理（第 5 輪複習）
自然語言處理讓電腦理解、分析或生成文字與語音。
核心觀念
常見任務有分類、摘要、翻譯、問答與情緒分析。
關鍵詞
NLP: 自然語言處理; Token: 文字切分單位; Embedding: 文字向量表示
混淆矩陣（第 5 輪複習）
混淆矩陣用 TP、FP、TN、FN 分析分類模型結果。
核心觀念
精確率與召回率都可由混淆矩陣計算。
關鍵詞
TP: 真正例; FP: 假正例; TN: 真負例; FN: 假負例
訓練集與測試集（第 5 輪複習）
訓練集用來學習，測試集用來評估模型在新資料上的表現。
核心觀念
不能用測試集反覆調模型，否則評估會失真。
關鍵詞
資料切分: 分成訓練驗證測試; 驗證集: 調整模型; 測試集: 最終評估
特徵工程（第 5 輪複習）
特徵工程是把原始資料轉換成模型更容易使用的欄位。
核心觀念
好的特徵可能比複雜模型更能提升表現。
關鍵詞
標準化: 調整尺度; 編碼: 將類別轉數字; 衍生欄位: 從既有欄位產生新資訊
分群（第 5 輪複習）
分群是在沒有標籤時找出相似群組。
核心觀念
分群結果需要人再解讀其商業意義。
關鍵詞
K-means: 常見分群方法; 群中心: 群組代表點; 相似度: 資料接近程度
迴歸（第 5 輪複習）
迴歸是預測連續數值。
核心觀念
輸出若是價格、銷量、溫度或分數，通常是迴歸。
關鍵詞
連續值: 可用數字大小表示; MAE: 平均絕對誤差; RMSE: 平方誤差相關指標
分類（第 5 輪複習）
分類是把資料分到離散類別。
核心觀念
輸出若是貓/狗、正常/異常、通過/不通過，通常是分類。
關鍵詞
二元分類: 兩類; 多類分類: 多個類別; 混淆矩陣: 分析分類結果
演算法（第 5 輪複習）
演算法是一套解決問題的步驟或方法。
核心觀念
機器學習演算法用來從資料中建立模型。
關鍵詞
決策樹: 樹狀判斷; KNN: 近鄰比較; 神經網路: 多層運算模型
模型（第 5 輪複習）
模型是從資料中學到的規則或表示方式。
核心觀念
訓練完成後，模型可對新資料做預測或生成。
關鍵詞
訓練: 學習規律; 推論: 用模型產生結果; 參數: 模型內部數值
資料（第 5 輪複習）
資料是 AI 系統學習與推論的基礎。
核心觀念
資料可以是表格、文字、圖片、聲音或感測器紀錄。
關鍵詞
結構化資料: 表格欄位; 非結構化資料: 文字圖片音訊; 特徵: 可用來判斷的資料欄位
生成式 AI 限制（第 4 輪複習）
生成式 AI 可能犯錯、編造來源、洩漏資料或受到提示詞攻擊。
核心觀念
使用時要設定資料權限、輸出檢查與禁止輸入敏感資料規範。
關鍵詞
幻覺: 錯誤生成; Prompt injection: 提示詞攻擊; 敏感資料: 不宜外洩資訊
自動化（第 4 輪複習）
自動化是讓系統依規則或模型執行重複流程。
核心觀念
AI 可強化自動化，但高風險流程仍需人類覆核。
關鍵詞
Workflow: 工作流程; Rule-based: 規則式; AI-assisted: AI 輔助
模型偏誤（第 4 輪複習）
模型偏誤可能來自資料代表性不足、標註不一致或設計不當。
核心觀念
偏誤不只影響準確率，也可能造成公平性問題。
關鍵詞
Bias: 偏誤; Fairness: 公平性; Representative data: 具代表性的資料
資料漂移（第 4 輪複習）
資料漂移是上線後新資料分布和訓練資料不同。
核心觀念
資料漂移會讓模型效果下降，因此需要監控。
關鍵詞
Drift: 漂移; Monitoring: 監控; Retraining: 重新訓練
雲端與邊緣（第 4 輪複習）
雲端適合集中運算，邊緣運算適合低延遲或資料不易外傳的場景。
核心觀念
選擇部署位置時要考慮成本、延遲、隱私與維運。
關鍵詞
Cloud: 雲端; Edge: 邊緣; Latency: 延遲; On-premise: 內部部署
API（第 4 輪複習）
API 是系統之間交換資料或功能的介面。
核心觀念
AI 服務常透過 API 提供模型推論能力。
關鍵詞
Endpoint: API 位置; Request: 請求; Response: 回應; Rate limit: 呼叫限制
向量資料庫（第 4 輪複習）
向量資料庫用來儲存與搜尋文字、圖片等資料的向量表示。
核心觀念
它常和 RAG 搭配做語意搜尋。
關鍵詞
向量: 資料的數值表示; 相似度搜尋: 找語意接近資料; Embedding: 轉成向量
大型語言模型（第 4 輪複習）
大型語言模型能根據上下文預測與生成文字。
核心觀念
它擅長語言任務，但可能產生幻覺或過時資訊。
關鍵詞
LLM: 大型語言模型; 上下文: 提供給模型的資訊; Token 限制: 可處理文字長度限制
推薦系統（第 4 輪複習）
推薦系統根據使用者行為、內容特徵或相似族群推薦項目。
核心觀念
它常用於電商、影音平台與新聞內容。
關鍵詞
協同過濾: 看相似使用者; 內容式推薦: 看物品特徵; 冷啟動: 新用戶或新物品資料不足
電腦視覺（第 4 輪複習）
電腦視覺讓電腦處理與理解影像或影片。
核心觀念
常見任務有分類、物件偵測、影像分割與瑕疵檢測。
關鍵詞
物件偵測: 找位置與類別; 分割: 標出區域; OCR: 影像文字辨識
自然語言處理（第 4 輪複習）
自然語言處理讓電腦理解、分析或生成文字與語音。
核心觀念
常見任務有分類、摘要、翻譯、問答與情緒分析。
關鍵詞
NLP: 自然語言處理; Token: 文字切分單位; Embedding: 文字向量表示
混淆矩陣（第 4 輪複習）
混淆矩陣用 TP、FP、TN、FN 分析分類模型結果。
核心觀念
精確率與召回率都可由混淆矩陣計算。
關鍵詞
TP: 真正例; FP: 假正例; TN: 真負例; FN: 假負例
訓練集與測試集（第 4 輪複習）
訓練集用來學習，測試集用來評估模型在新資料上的表現。
核心觀念
不能用測試集反覆調模型，否則評估會失真。
關鍵詞
資料切分: 分成訓練驗證測試; 驗證集: 調整模型; 測試集: 最終評估
特徵工程（第 4 輪複習）
特徵工程是把原始資料轉換成模型更容易使用的欄位。
核心觀念
好的特徵可能比複雜模型更能提升表現。
關鍵詞
標準化: 調整尺度; 編碼: 將類別轉數字; 衍生欄位: 從既有欄位產生新資訊
分群（第 4 輪複習）
分群是在沒有標籤時找出相似群組。
核心觀念
分群結果需要人再解讀其商業意義。
關鍵詞
K-means: 常見分群方法; 群中心: 群組代表點; 相似度: 資料接近程度
迴歸（第 4 輪複習）
迴歸是預測連續數值。
核心觀念
輸出若是價格、銷量、溫度或分數，通常是迴歸。
關鍵詞
連續值: 可用數字大小表示; MAE: 平均絕對誤差; RMSE: 平方誤差相關指標
分類（第 4 輪複習）
分類是把資料分到離散類別。
核心觀念
輸出若是貓/狗、正常/異常、通過/不通過，通常是分類。
關鍵詞
二元分類: 兩類; 多類分類: 多個類別; 混淆矩陣: 分析分類結果
演算法（第 4 輪複習）
演算法是一套解決問題的步驟或方法。
核心觀念
機器學習演算法用來從資料中建立模型。
關鍵詞
決策樹: 樹狀判斷; KNN: 近鄰比較; 神經網路: 多層運算模型
模型（第 4 輪複習）
模型是從資料中學到的規則或表示方式。
核心觀念
訓練完成後，模型可對新資料做預測或生成。
關鍵詞
訓練: 學習規律; 推論: 用模型產生結果; 參數: 模型內部數值
資料（第 4 輪複習）
資料是 AI 系統學習與推論的基礎。
核心觀念
資料可以是表格、文字、圖片、聲音或感測器紀錄。
關鍵詞
結構化資料: 表格欄位; 非結構化資料: 文字圖片音訊; 特徵: 可用來判斷的資料欄位
生成式 AI 限制（第 3 輪複習）
生成式 AI 可能犯錯、編造來源、洩漏資料或受到提示詞攻擊。
核心觀念
使用時要設定資料權限、輸出檢查與禁止輸入敏感資料規範。
關鍵詞
幻覺: 錯誤生成; Prompt injection: 提示詞攻擊; 敏感資料: 不宜外洩資訊
自動化（第 3 輪複習）
自動化是讓系統依規則或模型執行重複流程。
核心觀念
AI 可強化自動化，但高風險流程仍需人類覆核。
關鍵詞
Workflow: 工作流程; Rule-based: 規則式; AI-assisted: AI 輔助
模型偏誤（第 3 輪複習）
模型偏誤可能來自資料代表性不足、標註不一致或設計不當。
核心觀念
偏誤不只影響準確率，也可能造成公平性問題。
關鍵詞
Bias: 偏誤; Fairness: 公平性; Representative data: 具代表性的資料
資料漂移（第 3 輪複習）
資料漂移是上線後新資料分布和訓練資料不同。
核心觀念
資料漂移會讓模型效果下降，因此需要監控。
關鍵詞
Drift: 漂移; Monitoring: 監控; Retraining: 重新訓練
雲端與邊緣（第 3 輪複習）
雲端適合集中運算，邊緣運算適合低延遲或資料不易外傳的場景。
核心觀念
選擇部署位置時要考慮成本、延遲、隱私與維運。
關鍵詞
Cloud: 雲端; Edge: 邊緣; Latency: 延遲; On-premise: 內部部署
API（第 3 輪複習）
API 是系統之間交換資料或功能的介面。
核心觀念
AI 服務常透過 API 提供模型推論能力。
關鍵詞
Endpoint: API 位置; Request: 請求; Response: 回應; Rate limit: 呼叫限制
向量資料庫（第 3 輪複習）
向量資料庫用來儲存與搜尋文字、圖片等資料的向量表示。
核心觀念
它常和 RAG 搭配做語意搜尋。
關鍵詞
向量: 資料的數值表示; 相似度搜尋: 找語意接近資料; Embedding: 轉成向量
大型語言模型（第 3 輪複習）
大型語言模型能根據上下文預測與生成文字。
核心觀念
它擅長語言任務，但可能產生幻覺或過時資訊。
關鍵詞
LLM: 大型語言模型; 上下文: 提供給模型的資訊; Token 限制: 可處理文字長度限制
推薦系統（第 3 輪複習）
推薦系統根據使用者行為、內容特徵或相似族群推薦項目。
核心觀念
它常用於電商、影音平台與新聞內容。
關鍵詞
協同過濾: 看相似使用者; 內容式推薦: 看物品特徵; 冷啟動: 新用戶或新物品資料不足
電腦視覺（第 3 輪複習）
電腦視覺讓電腦處理與理解影像或影片。
核心觀念
常見任務有分類、物件偵測、影像分割與瑕疵檢測。
關鍵詞
物件偵測: 找位置與類別; 分割: 標出區域; OCR: 影像文字辨識
自然語言處理（第 3 輪複習）
自然語言處理讓電腦理解、分析或生成文字與語音。
核心觀念
常見任務有分類、摘要、翻譯、問答與情緒分析。
關鍵詞
NLP: 自然語言處理; Token: 文字切分單位; Embedding: 文字向量表示
混淆矩陣（第 3 輪複習）
混淆矩陣用 TP、FP、TN、FN 分析分類模型結果。
核心觀念
精確率與召回率都可由混淆矩陣計算。
關鍵詞
TP: 真正例; FP: 假正例; TN: 真負例; FN: 假負例
訓練集與測試集（第 3 輪複習）
訓練集用來學習，測試集用來評估模型在新資料上的表現。
核心觀念
不能用測試集反覆調模型，否則評估會失真。
關鍵詞
資料切分: 分成訓練驗證測試; 驗證集: 調整模型; 測試集: 最終評估
特徵工程（第 3 輪複習）
特徵工程是把原始資料轉換成模型更容易使用的欄位。
核心觀念
好的特徵可能比複雜模型更能提升表現。
關鍵詞
標準化: 調整尺度; 編碼: 將類別轉數字; 衍生欄位: 從既有欄位產生新資訊
分群（第 3 輪複習）
分群是在沒有標籤時找出相似群組。
核心觀念
分群結果需要人再解讀其商業意義。
關鍵詞
K-means: 常見分群方法; 群中心: 群組代表點; 相似度: 資料接近程度
迴歸（第 3 輪複習）
迴歸是預測連續數值。
核心觀念
輸出若是價格、銷量、溫度或分數，通常是迴歸。
關鍵詞
連續值: 可用數字大小表示; MAE: 平均絕對誤差; RMSE: 平方誤差相關指標
分類（第 3 輪複習）
分類是把資料分到離散類別。
核心觀念
輸出若是貓/狗、正常/異常、通過/不通過，通常是分類。
關鍵詞
二元分類: 兩類; 多類分類: 多個類別; 混淆矩陣: 分析分類結果
演算法（第 3 輪複習）
演算法是一套解決問題的步驟或方法。
核心觀念
機器學習演算法用來從資料中建立模型。
關鍵詞
決策樹: 樹狀判斷; KNN: 近鄰比較; 神經網路: 多層運算模型
模型（第 3 輪複習）
模型是從資料中學到的規則或表示方式。
核心觀念
訓練完成後，模型可對新資料做預測或生成。
關鍵詞
訓練: 學習規律; 推論: 用模型產生結果; 參數: 模型內部數值
資料（第 3 輪複習）
資料是 AI 系統學習與推論的基礎。
核心觀念
資料可以是表格、文字、圖片、聲音或感測器紀錄。
關鍵詞
結構化資料: 表格欄位; 非結構化資料: 文字圖片音訊; 特徵: 可用來判斷的資料欄位
生成式 AI 限制（第 2 輪複習）
生成式 AI 可能犯錯、編造來源、洩漏資料或受到提示詞攻擊。
核心觀念
使用時要設定資料權限、輸出檢查與禁止輸入敏感資料規範。
關鍵詞
幻覺: 錯誤生成; Prompt injection: 提示詞攻擊; 敏感資料: 不宜外洩資訊
自動化（第 2 輪複習）
自動化是讓系統依規則或模型執行重複流程。
核心觀念
AI 可強化自動化，但高風險流程仍需人類覆核。
關鍵詞
Workflow: 工作流程; Rule-based: 規則式; AI-assisted: AI 輔助
模型偏誤（第 2 輪複習）
模型偏誤可能來自資料代表性不足、標註不一致或設計不當。
核心觀念
偏誤不只影響準確率，也可能造成公平性問題。
關鍵詞
Bias: 偏誤; Fairness: 公平性; Representative data: 具代表性的資料
資料漂移（第 2 輪複習）
資料漂移是上線後新資料分布和訓練資料不同。
核心觀念
資料漂移會讓模型效果下降，因此需要監控。
關鍵詞
Drift: 漂移; Monitoring: 監控; Retraining: 重新訓練
雲端與邊緣（第 2 輪複習）
雲端適合集中運算，邊緣運算適合低延遲或資料不易外傳的場景。
核心觀念
選擇部署位置時要考慮成本、延遲、隱私與維運。
關鍵詞
Cloud: 雲端; Edge: 邊緣; Latency: 延遲; On-premise: 內部部署
API（第 2 輪複習）
API 是系統之間交換資料或功能的介面。
核心觀念
AI 服務常透過 API 提供模型推論能力。
關鍵詞
Endpoint: API 位置; Request: 請求; Response: 回應; Rate limit: 呼叫限制
向量資料庫（第 2 輪複習）
向量資料庫用來儲存與搜尋文字、圖片等資料的向量表示。
核心觀念
它常和 RAG 搭配做語意搜尋。
關鍵詞
向量: 資料的數值表示; 相似度搜尋: 找語意接近資料; Embedding: 轉成向量
大型語言模型（第 2 輪複習）
大型語言模型能根據上下文預測與生成文字。
核心觀念
它擅長語言任務，但可能產生幻覺或過時資訊。
關鍵詞
LLM: 大型語言模型; 上下文: 提供給模型的資訊; Token 限制: 可處理文字長度限制
推薦系統（第 2 輪複習）
推薦系統根據使用者行為、內容特徵或相似族群推薦項目。
核心觀念
它常用於電商、影音平台與新聞內容。
關鍵詞
協同過濾: 看相似使用者; 內容式推薦: 看物品特徵; 冷啟動: 新用戶或新物品資料不足
電腦視覺（第 2 輪複習）
電腦視覺讓電腦處理與理解影像或影片。
核心觀念
常見任務有分類、物件偵測、影像分割與瑕疵檢測。
關鍵詞
物件偵測: 找位置與類別; 分割: 標出區域; OCR: 影像文字辨識
自然語言處理（第 2 輪複習）
自然語言處理讓電腦理解、分析或生成文字與語音。
核心觀念
常見任務有分類、摘要、翻譯、問答與情緒分析。
關鍵詞
NLP: 自然語言處理; Token: 文字切分單位; Embedding: 文字向量表示
混淆矩陣（第 2 輪複習）
混淆矩陣用 TP、FP、TN、FN 分析分類模型結果。
核心觀念
精確率與召回率都可由混淆矩陣計算。
關鍵詞
TP: 真正例; FP: 假正例; TN: 真負例; FN: 假負例
訓練集與測試集（第 2 輪複習）
訓練集用來學習，測試集用來評估模型在新資料上的表現。
核心觀念
不能用測試集反覆調模型，否則評估會失真。
關鍵詞
資料切分: 分成訓練驗證測試; 驗證集: 調整模型; 測試集: 最終評估
特徵工程（第 2 輪複習）
特徵工程是把原始資料轉換成模型更容易使用的欄位。
核心觀念
好的特徵可能比複雜模型更能提升表現。
關鍵詞
標準化: 調整尺度; 編碼: 將類別轉數字; 衍生欄位: 從既有欄位產生新資訊
分群（第 2 輪複習）
分群是在沒有標籤時找出相似群組。
核心觀念
分群結果需要人再解讀其商業意義。
關鍵詞
K-means: 常見分群方法; 群中心: 群組代表點; 相似度: 資料接近程度
迴歸（第 2 輪複習）
迴歸是預測連續數值。
核心觀念
輸出若是價格、銷量、溫度或分數，通常是迴歸。
關鍵詞
連續值: 可用數字大小表示; MAE: 平均絕對誤差; RMSE: 平方誤差相關指標
分類（第 2 輪複習）
分類是把資料分到離散類別。
核心觀念
輸出若是貓/狗、正常/異常、通過/不通過，通常是分類。
關鍵詞
二元分類: 兩類; 多類分類: 多個類別; 混淆矩陣: 分析分類結果
演算法（第 2 輪複習）
演算法是一套解決問題的步驟或方法。
核心觀念
機器學習演算法用來從資料中建立模型。
關鍵詞
決策樹: 樹狀判斷; KNN: 近鄰比較; 神經網路: 多層運算模型
模型（第 2 輪複習）
模型是從資料中學到的規則或表示方式。
核心觀念
訓練完成後，模型可對新資料做預測或生成。
關鍵詞
訓練: 學習規律; 推論: 用模型產生結果; 參數: 模型內部數值
資料（第 2 輪複習）
資料是 AI 系統學習與推論的基礎。
核心觀念
資料可以是表格、文字、圖片、聲音或感測器紀錄。
關鍵詞
結構化資料: 表格欄位; 非結構化資料: 文字圖片音訊; 特徵: 可用來判斷的資料欄位
生成式 AI 限制
生成式 AI 可能犯錯、編造來源、洩漏資料或受到提示詞攻擊。
核心觀念
使用時要設定資料權限、輸出檢查與禁止輸入敏感資料規範。
關鍵詞
幻覺: 錯誤生成; Prompt injection: 提示詞攻擊; 敏感資料: 不宜外洩資訊
自動化
自動化是讓系統依規則或模型執行重複流程。
核心觀念
AI 可強化自動化，但高風險流程仍需人類覆核。
關鍵詞
Workflow: 工作流程; Rule-based: 規則式; AI-assisted: AI 輔助
模型偏誤
模型偏誤可能來自資料代表性不足、標註不一致或設計不當。
核心觀念
偏誤不只影響準確率，也可能造成公平性問題。
關鍵詞
Bias: 偏誤; Fairness: 公平性; Representative data: 具代表性的資料
資料漂移
資料漂移是上線後新資料分布和訓練資料不同。
核心觀念
資料漂移會讓模型效果下降，因此需要監控。
關鍵詞
Drift: 漂移; Monitoring: 監控; Retraining: 重新訓練
雲端與邊緣
雲端適合集中運算，邊緣運算適合低延遲或資料不易外傳的場景。
核心觀念
選擇部署位置時要考慮成本、延遲、隱私與維運。
關鍵詞
Cloud: 雲端; Edge: 邊緣; Latency: 延遲; On-premise: 內部部署
API
API 是系統之間交換資料或功能的介面。
核心觀念
AI 服務常透過 API 提供模型推論能力。
關鍵詞
Endpoint: API 位置; Request: 請求; Response: 回應; Rate limit: 呼叫限制
向量資料庫
向量資料庫用來儲存與搜尋文字、圖片等資料的向量表示。
核心觀念
它常和 RAG 搭配做語意搜尋。
關鍵詞
向量: 資料的數值表示; 相似度搜尋: 找語意接近資料; Embedding: 轉成向量
大型語言模型
大型語言模型能根據上下文預測與生成文字。
核心觀念
它擅長語言任務，但可能產生幻覺或過時資訊。
關鍵詞
LLM: 大型語言模型; 上下文: 提供給模型的資訊; Token 限制: 可處理文字長度限制
推薦系統
推薦系統根據使用者行為、內容特徵或相似族群推薦項目。
核心觀念
它常用於電商、影音平台與新聞內容。
關鍵詞
協同過濾: 看相似使用者; 內容式推薦: 看物品特徵; 冷啟動: 新用戶或新物品資料不足
電腦視覺
電腦視覺讓電腦處理與理解影像或影片。
核心觀念
常見任務有分類、物件偵測、影像分割與瑕疵檢測。
關鍵詞
物件偵測: 找位置與類別; 分割: 標出區域; OCR: 影像文字辨識
自然語言處理
自然語言處理讓電腦理解、分析或生成文字與語音。
核心觀念
常見任務有分類、摘要、翻譯、問答與情緒分析。
關鍵詞
NLP: 自然語言處理; Token: 文字切分單位; Embedding: 文字向量表示
混淆矩陣
混淆矩陣用 TP、FP、TN、FN 分析分類模型結果。
核心觀念
精確率與召回率都可由混淆矩陣計算。
關鍵詞
TP: 真正例; FP: 假正例; TN: 真負例; FN: 假負例
訓練集與測試集
訓練集用來學習，測試集用來評估模型在新資料上的表現。
核心觀念
不能用測試集反覆調模型，否則評估會失真。
關鍵詞
資料切分: 分成訓練驗證測試; 驗證集: 調整模型; 測試集: 最終評估
特徵工程
特徵工程是把原始資料轉換成模型更容易使用的欄位。
核心觀念
好的特徵可能比複雜模型更能提升表現。
關鍵詞
標準化: 調整尺度; 編碼: 將類別轉數字; 衍生欄位: 從既有欄位產生新資訊
分群
分群是在沒有標籤時找出相似群組。
核心觀念
分群結果需要人再解讀其商業意義。
關鍵詞
K-means: 常見分群方法; 群中心: 群組代表點; 相似度: 資料接近程度
迴歸
迴歸是預測連續數值。
核心觀念
輸出若是價格、銷量、溫度或分數，通常是迴歸。
關鍵詞
連續值: 可用數字大小表示; MAE: 平均絕對誤差; RMSE: 平方誤差相關指標
分類
分類是把資料分到離散類別。
核心觀念
輸出若是貓/狗、正常/異常、通過/不通過，通常是分類。
關鍵詞
二元分類: 兩類; 多類分類: 多個類別; 混淆矩陣: 分析分類結果
演算法
演算法是一套解決問題的步驟或方法。
核心觀念
機器學習演算法用來從資料中建立模型。
關鍵詞
決策樹: 樹狀判斷; KNN: 近鄰比較; 神經網路: 多層運算模型
模型
模型是從資料中學到的規則或表示方式。
核心觀念
訓練完成後，模型可對新資料做預測或生成。
關鍵詞
訓練: 學習規律; 推論: 用模型產生結果; 參數: 模型內部數值
資料
資料是 AI 系統學習與推論的基礎。
核心觀念
資料可以是表格、文字、圖片、聲音或感測器紀錄。
關鍵詞
結構化資料: 表格欄位; 非結構化資料: 文字圖片音訊; 特徵: 可用來判斷的資料欄位