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
- 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
- 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。
- 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。
- 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
- 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
- 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
- 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）。
- 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