iPAS 中級術語
查中文、英文或縮寫，找到定義、範例與相關考點。
- 少樣本學習 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
- 欠擬合 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
- 召回率 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
- 可解釋人工智慧 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。
- 生成式預訓練轉換器 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
- 生成對抗網路 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
- 交叉驗證 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
- 多模態 AI 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
- 自然語言處理 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
- 判別式 AI 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
- 批次正規化 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
- 卷積神經網路 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
- 注意力機制 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
- 負責任AI 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。
- 降維處理 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。
- 差分隱私 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。
- 特徵擷取 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
- 神經網路 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
- 假設檢定 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。
- 偏差 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
- 梯度下降 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
- 嵌入表示 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
- 循環神經網路 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
- 描述性統計 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
- 超參數 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
- 超參數調校 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。
- 微調 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。
- 準確率 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
- 資料不平衡 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
- 資料倉儲 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
- 資料視覺化 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
- 過擬合 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
- 零樣本學習 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
- 演算法偏見 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
- 精確率 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
- 編碼器 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。
- 遷移學習 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
- 機率分佈 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）。
- 隨機丟棄 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
- 聯邦學習 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
- 擴散模型 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
- 轉換器架構 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
- 變分自編碼器 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。
- AI 幻覺 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
- AI 系統架構 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
- BERT 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
- F1 分數 F1 Score Precision 和 Recall 的調和平均數 = 2PR/(P+R)，兼顧「找得準」和「找得全」
- LIME 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
- Python 串列與字典 Python List & Dictionary 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 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。