254 個常考硬名詞，逐一拆解定義、記憶技巧與易混淆比較。依分類篩選，或直接搜尋關鍵字。
資料庫交易（Transaction）設計中的四大關鍵特性，用以確保資料的一致性與可靠性，特別在多使用者並行操作或系統發生異常時，能防止資料錯誤或損毀。
查看名詞卡 →將 AI 技術的使用和應用，從少數專家和大型企業擴展到更廣泛的社會層面，使更多非技術背景的人士和中小型企業都能夠參與 AI 開發、並受益於其價值，旨在降低 AI 的技術門檻，促進創新和公平性。
查看名詞卡 →由 IBM Research 開發的開源 Python 工具包，支援超過 70 種公平性指標及多種去偏技術，涵蓋資料前處理、模型內部處理與結果後處理三階段的去偏方法。
查看名詞卡 →透過雲端運算與 API 服務，降低生成式AI的使用門檻，讓用戶無需高階硬體或專業知識，即可透過雲端平台存取高效能 AI 工具。
查看名詞卡 →單因子變異數分析（One-way ANOVA）是用來比較三組以上獨立樣本平均數是否有顯著差異的統計方法，延伸自 t檢定 的邏輯，判斷是否至少有一組平均數與其他組不同。
查看名詞卡 →一種自適應學習率的梯度下降優化器，依每個參數的歷史梯度平方和自動調整該參數的學習率：\theta_{t+1}=\theta_t-\dfrac{\eta}{\sqrt{G_t+\epsilon}}\nabla_\theta…
查看名詞卡 →梯度下降的一種變種優化演算法，結合了動量法和 RMSProp，能夠自適應學習率，是目前最廣泛使用的優化方法之一。
查看名詞卡 →強化學習三個核心要素之一，負責進行決策和行動的學習系統。Agent 透過探索環境執行不同的行動，並根據環境提供的回饋（獎勵）不斷更新策略。
查看名詞卡 →深度學習的里程碑模型，2012 年在 ImageNet 競賽中脫穎而出，使用 8 層結構並引入 ReLU 激活與 Dropout 正則化，奠定了 CNN 在電腦視覺（CV）中的主導地位。
查看名詞卡 →一個支援記憶體內運算（In-memory Processing）的分散式計算平台，可支援批次、即時與互動式查詢（基於微批次 micro-batching），是目前大數據處理最廣泛使用的框架之一。
查看名詞卡 →一種經典的關聯規則挖掘演算法，透過迭代與剪枝的方式，從資料集中找出所有滿足最小支持度的頻繁項目集，再生成滿足最小信賴度的關聯規則。
查看名詞卡 →以智慧演算法自動執行特徵生成、特徵選擇、模型選擇與超參數調校的機器學習平台技術，讓資料科學家不必手動執行繁瑣的特徵處理過程。代表平台：Google AutoML、H2O.ai、AutoKeras、TPOT。
查看名詞卡 →Google 於 2018 年推出的雙向 Transformer Encoder 預訓練語言模型，以遮蔽語言模型（Masked Language Model, MLM）與下一句預測（Next Sentence Predi…
查看名詞卡 →應用於圖形或樹狀結構的搜尋演算法。從起始節點開始，首先訪問其所有相鄰的節點，然後再訪問這些相鄰節點的相鄰節點，依此類推，一層一層地擴散搜尋。
查看名詞卡 →一種評估生成文本與參考文本相似度的自動化指標，由 Papineni 等人於 2002 年提出，主要應用於機器翻譯領域。核心思想是計算生成文本與參考文本之間的 n-gram 重疊程度，並以簡短懲罰（Brevity Pena…
查看名詞卡 →Salesforce 發表的多模態模型，強化圖文問答（Visual Question Answering, VQA）與生成任務，支援圖片與文字的雙向理解。
查看名詞卡 →美國加州的消費者資料隱私保護法規，與 GDPR 並列為生成式 AI 訓練資料使用時最重要的隱私法規遵循對象，對資料匿名化處理、差分隱私技術的應用提出明確要求。
查看名詞卡 →美國地方性資料隱私法規（如維吉尼亞州 CDPA），影響美國境內特定州的個資處理，資料主體擁有查閱、修正、刪除及資料可攜的權利。
查看名詞卡 →MLOps 中將模型的開發、測試與部署自動化的流程機制，提升團隊協作效率並降低人為錯誤。
查看名詞卡 →OpenAI 提出的多模態模型，將語言（文本）和影像結合，把兩者嵌入到同一語意空間中，使模型能在不同模態之間進行學習，達到跨模態理解能力。
查看名詞卡 →深度學習領域中最具代表性的模型之一，特別擅長處理圖像數據，其設計靈感來自於生物學上的動物視覺皮層，能夠高效地提取圖像中的特徵。
查看名詞卡 →使機器具備「視覺理解能力」的人工智慧領域，目標是模擬或超越人類視覺系統，從靜態影像或動態影片中擷取、辨識並解釋語意資訊，進而支援分析、理解及決策。
查看名詞卡 →用於控制圖像生成過程的技術（與 InstructPix2Pix 並列），可精確控制生成圖像的姿態、邊緣輪廓、遮罩範圍或修改局部內容，常與擴散模型（如 Stable Diffusion）搭配使用。
查看名詞卡 →多模態生成式AI工具，基於文本生成高品質圖像，實現跨模態的創意設計。
查看名詞卡 →一種基於密度的分群演算法，能辨識任意形狀的群集，並自動將噪聲點（離群值）從群集中分離出來。
查看名詞卡 →應用於圖形或樹狀結構的搜尋演算法。從起始節點開始，沿著一條路徑儘可能深地搜尋，直到到達葉節點或遇到已訪問過的節點，然後回溯到上一個節點，繼續搜尋其他路徑。
查看名詞卡 →專為機器學習專案設計的版本控制工具，支援資料集與模型的版本追蹤與再現性。
查看名詞卡 →Q-Learning 的延伸，結合深度學習（Deep Learning）來解決 Q-Learning 在高維度環境中的限制。採用深度神經網路（Deep Neural Networks, DNN）來近似 Q 值，而不是直接…
查看名詞卡 →將應用程式與其依賴環境封裝在一起的容器化技術，確保跨平台部署的一致性（開發、測試、生產環境行為相同）。
查看名詞卡 →訓練過程中隨機將部分神經元暫時關閉（輸出設為 0），減少神經元之間的過度依賴，強迫模型學習多種「子網路」路徑，是常見的過擬合抑制技術。
查看名詞卡 →AllenNLP 團隊於 2018 年提出的語境型詞嵌入方法，基於雙向 LSTM（BiLSTM）語言模型，能依語境動態生成詞向量。
查看名詞卡 →資料處理領域的關鍵技術流程，指「擷取（Extract）→ 轉換（Transform）→ 載入（Load）」三個步驟，用於將原始數據整合、清理並存入目標資料庫或分析平台。
查看名詞卡 →由微軟開發的 Python 工具，專注於衡量及降低 AI 系統中的公平性指標問題，與 scikit-learn 等 Python 生態系統高度相容，易於整合進現有機器學習流程。
查看名詞卡 →Facebook AI Research（FAIR）於 2016 年提出的詞嵌入技術，將每個詞視為子詞（subword n-gram）組成的集合進行向量學習，能處理未見過的新詞（OOV, Out-of-Vocabular…
查看名詞卡 →DeepMind 發表的多模態模型，具備少樣本學習（Few-shot Learning）能力，可快速適應新的圖文任務。
查看名詞卡 →生成式AI中最具代表性的模型之一，由生成器（Generator）和鑑別器（Discriminator）兩個神經網路組成，透過彼此對抗學習來生成高品質的新數據。
查看名詞卡 →歐盟的個人資料保護法規，與 CCPA 等法規並列，是生成式 AI 結合 No Code / Low Code 平台時，處理資料隱私與安全性議題必須遵循的合規風險項目之一。
查看名詞卡 →業界用來強調資料品質重要性的原則：輸入模型的資料若是低品質的「垃圾」，輸出的預測結果也必然是垃圾。資料品質直接影響 AI 模型的可靠性與準確度。
查看名詞卡 →OpenAI 研發的單向 Transformer（Decoder）預訓練語言模型，以自迴歸預測（Autoregressive Prediction）為核心，專長文字生成、對話生成與續寫任務。
查看名詞卡 →RNN 的改進版本，結構比 LSTM 更簡單，但在大多數應用中效果相近。
查看名詞卡 →史丹佛大學 NLP 團隊於 2014 年提出的詞嵌入方法，結合統計共現資訊與詞嵌入學習，利用整體語料庫的詞共現矩陣，透過矩陣分解學習每個詞的靜態向量。
查看名詞卡 →美國自 2016 年起強制施行的法律，適用所有涉及健康資訊的機構（醫療機構、保險公司、第三方合作廠商），用於規範和確保個人隱私及資料安全，是醫療 AI 專案必須遵循的產業專用合規規範。
查看名詞卡 →提供開源資源的平台，是生成式AI開放原始碼與社群合作的代表，使更多開發者、企業和研究機構能夠共享技術資源，加速 AI 工具的整合與創新。
查看名詞卡 →衡量預測分割/偵測區域與真實標籤區域之間重疊程度的指標，常用於物件偵測與影像分割任務評估。
查看名詞卡 →計算生成式 AI 投資方案財務可行性時使用的財務指標之一，指使淨現值（NPV）等於零的折現率，用以評估方案的長期收益潛力。
查看名詞卡 →一種基於樹的非參數異常偵測演算法，核心觀察是異常點少數且與正常點距離較遠，因此在隨機劃分特徵空間時更容易被快速「孤立」出來。
查看名詞卡 →非監督式學習中廣泛使用的聚類演算法，將數據分為若干個不同的群組，每個群組內的數據具有高度的相似性。
查看名詞卡 →確保每筆紀錄至少與其他 K-1 筆紀錄在準識別欄位（如年齡、性別）上相同的隱私強化技術，降低個體識別風險。
查看名詞卡 →一種基於實例的學習演算法。對於一個新的輸入樣本，找出訓練集中與其最接近的 K 個樣本（最近鄰），再依此進行分類或迴歸預測。
查看名詞卡 →企業在生成式 AI 導入規劃的「設計」階段中，用來追蹤模型效能、量化衡量成功標準的指標，涵蓋財務指標、運營效率和市場競爭力等面向，便於進度檢視與成效衡量。
查看名詞卡 →管理大量容器的編排（Orchestration）平台，負責容器編排、資源調度與故障恢復。
查看名詞卡 →交叉驗證中最常見的方法，將數據集平均分成 K 個子集，每次選擇其中一個子集作為測試集，其餘 K-1 個子集作為訓練集，重複 K 次後取平均評估結果，以獲得模型的整體表現。
查看名詞卡 →一種模型可解釋性技術，透過在待解釋的預測點附近，建立一個簡單且可解釋的局部代理模型（如線性模型），來近似說明複雜黑箱模型在該點附近的行為。
查看名詞卡 →K折交叉驗證的極端形式，K 等於樣本數 n，每次僅留下一筆樣本作為驗證、其餘 n-1 筆訓練模型，總共進行 n 次評估。
查看名詞卡 →RNN 的改進版本，透過引入遺忘門（forget gate）、輸入門（input gate）和輸出門（output gate），有效解決了傳統 RNN 的梯度消失問題。
查看名詞卡 →將每個類別對應到一個整數編號的類別資料編碼方法（如「小學」→0、「高中」→1、「大學」→2），適用於具有明確順序關係的有序類別（Ordinal Variables）。
查看名詞卡 →在線性迴歸損失函數中加入 L1 正則化項（權重絕對值總和）的迴歸方法：\text{Loss}=\sum(y_i-\hat{y}_i)^2+\lambda\sum|\beta_j|，能將部分係數縮為零，達到自動特徵選擇效果…
查看名詞卡 →梯度提升（GBDT）的高效工程實作版本，採用「葉子式生長（Leaf-wise）」分裂策略與 Histogram-based 計算，對大數據、大特徵數問題尤其高效。
查看名詞卡 →一種讓機器學習模型快速適應新任務的高效微調技術，透過向原始模型添加輕量級的低秩參數，而非直接修改整體模型結構，即可完成特定應用的快速調整。
查看名詞卡 →Low Code 平台結合視覺化開發工具與程式碼擴充功能，讓具有技術背景的開發者能在視覺化設計的基礎上，透過少量程式碼實現深度整合、客製化與複雜邏輯。
查看名詞卡 →基於遮罩預訓練（Masked Pre-training）的多模態自編碼器，使用統一編碼器對影像與文字進行遮罩預訓練，學習兩者共享的語意結構，支援多模態特徵提取與生成。
查看名詞卡 →一種將機器學習開發與營運整合的最佳實踐，旨在將模型的建置、部署、監控與修正流程自動化，實現模型全生命週期的高效風險控制。
查看名詞卡 →由輸入層、隱藏層、輸出層構成的前饋（Feedforward）全連接神經網路，層與層之間資訊單向流動，是最基礎的深度學習模型架構。
查看名詞卡 →開源平台，用於管理機器學習全流程，包括實驗記錄、模型訓練、部署與版本控制。
查看名詞卡 →人工評估語音自然度的平均分數（1–5 分），是語音合成（TTS）領域常用的關鍵品質指標。
查看名詞卡 →基於 Faster R-CNN 擴展的深度學習模型，結合物體檢測與像素級分割功能，透過額外分支預測每個物體的二進制遮罩（mask），從而實現實例分割。
查看名詞卡 →多模態生成式AI工具，能從文本和圖片生成藝術風格、創意融合的圖像。
查看名詞卡 →數據標準化方法之一，將數據映射到 0 到 1 的區間，消除特徵間的尺度差異。
查看名詞卡 →為每個模型建立的說明文件，列出訓練資料、假設條件、測試結果與限制，是企業內部治理中「模型生命週期管理」的核心產出。
查看名詞卡 →將語言中連續 N 個詞（或字）組合成一個特徵單位的表示方法，用來保留詞彙的序列與語法結構；N 值愈大能捕捉愈長的上下文範圍，但特徵維度也急劇膨脹。
查看名詞卡 →從文本中辨識並標註出人名、地點、組織等具名實體的 NLP 技術，屬於結構化資訊抽取的重要應用。
查看名詞卡 →NLP 的「產出」子領域，專注於機器如何產生自然語言，將數據、知識或邏輯轉換為人類可讀且自然流暢的語句。
查看名詞卡 →使電腦能夠「理解、處理並產生」自然語言的一項核心 AI 技術，目標是讓機器能像人類一樣參與語言溝通。
查看名詞卡 →NLP 的「理解」子領域，專注於機器如何理解人類語言的語法結構與語意邏輯，判讀使用者意圖或隱含情緒。
查看名詞卡 →計算生成式 AI 投資方案財務可行性時使用的財務指標之一，將未來現金流依時間分佈折現後加總，用以評估方案的長期收益潛力。
查看名詞卡 →No Code 平台透過視覺化介面和拖放操作，讓使用者無需編寫程式碼即可快速開發應用，特別適合非技術背景者用於快速原型設計或小型應用開發。
查看名詞卡 →SVM 的單類別分類變形，只學習一個類別（通常是正常資料）的模式，構建能將大多數正常樣本包圍起來的決策邊界，邊界外的點被判定為異常。
查看名詞卡 →為每個類別新增一個 0/1 欄位的類別資料編碼方法（如「紅/藍/綠」變成 is_red、is_blue、is_green 三個欄位），適用於無序類別變數（Nominal Variables）。在 NLP 中則是最基本的詞…
查看名詞卡 →非監督式學習中最典型的降維演算法，透過線性變換將高維數據壓縮到低維空間，同時保留數據的主要訊息，有助於減少冗餘數據並提高計算效率。
查看名詞卡 →由支付卡產業安全標準委員會（PCI SSC）制定，適用於國際所有處理支付卡資訊之機構的資料安全標準，涵蓋防火牆設定、資料加密、多因素認證、權限控管、弱點掃描及滲透測試等。
查看名詞卡 →台灣規範所有在台灣境內或涉及台灣居民個資處理的組織之法規，要求企業對個資的收集、處理及使用必須取得明確同意，並履行通知義務與資料保護責任。
查看名詞卡 →在保護隱私的同時確保模型性能與數據可用性的進階技術總稱，適用於高度敏感領域（醫療、金融）的 AI 訓練與資料分享情境。
查看名詞卡 →足以「單獨」直接辨識特定個人的資料欄位，如姓名、身分證字號、電子郵件、電話、金融帳號，是多數隱私法規（GDPR、CCPA、PDPA）中最高優先處理層級的敏感資訊。
查看名詞卡 →企業導入生成式 AI 規劃流程中的關鍵驗證階段，透過小規模實驗測試評估模型效能，檢視 AI 在真實業務環境中的預測準確度、效率及與現有作業模式的融合度，確認技術可行性後再決定是否擴大導入。
查看名詞卡 →由 OpenAI 提出、屬於策略梯度（Policy Gradient）改良版的強化學習演算法。核心目標是平衡「策略更新幅度」與「學習效率」，避免策略在每次更新時產生過大變動，導致學習不穩定或崩潰。
查看名詞卡 →由 Meta（Facebook AI Research）開發的開源機器學習框架，以動態計算圖（Define-by-Run）著稱，運算在定義時立即執行，行為更像標準 Python 代碼。
查看名詞卡 →一種透過試錯學習（Trial-and-Error）找到最佳決策的強化學習方法。核心目標是讓 AI 學習每個行動的長期價值（Q 值），進而選擇能獲得最大獎勵的最佳行動。
查看名詞卡 →將「外部知識檢索」與「語言生成」結合的技術，在生成過程中先檢索相關外部資料，再基於這些資料生成答案，能提升模型在背景知識要求較高任務中的準確性。
查看名詞卡 →在Adagrad基礎上引入滑動平均（Moving Average）機制的優化器，修正 Adagrad 學習率過快下降的問題，特別適合處理非穩定梯度（如 RNN 訓練）。
查看名詞卡 →專為處理序列數據而設計的深度學習模型，其關鍵特性是網路中存在循環連接，使得模型可以記憶序列中之前的資訊。
查看名詞卡 →ROC 曲線（Receiver Operating Characteristic，橫軸假正率、縱軸真正率）下的面積（Area Under Curve），代表模型在所有可能分類閾值下的整體區分能力，數值越接近 1 模型越好…
查看名詞卡 →一組專為評估摘要品質設計的自動化指標，由 Lin 於 2004 年提出，主要用於自動摘要、內容生成與問答系統，強調生成文本與參考文本的召回率（Recall）。
查看名詞卡 →引入殘差結構（Residual Connection）的深度學習模型，允許網路深度達到 152 層，解決了深層網路訓練過程中的梯度消失問題，能訓練更深層的網路。
查看名詞卡 →在線性迴歸損失函數中加入 L2 正則化項（權重平方和）的迴歸方法：\text{Loss}=\sum(y_i-\hat{y}_i)^2+\lambda\sum\beta_j^2，防止模型產生過大係數，特別適合多重共線性嚴重…
查看名詞卡 →Meta 推出的電腦視覺模型，旨在提升影像分割任務的可遷移性和泛化能力，能處理各種未知的影像分割任務，展現高度的普適性（Universality）。
查看名詞卡 →一種模型可解釋性技術，源自賽局理論的 Shapley Value 概念，用於計算每個特徵對模型單一預測結果的貢獻度，協助理解低解釋性模型（如隨機森林、深度神經網路）的決策邏輯。
查看名詞卡 →一種過採樣（Oversampling）技術，透過合成新樣本（而非單純複製）的方式平衡少數類別的資料分佈，能保留原始樣本空間結構，降低過度複製產生的過擬合風險。
查看名詞卡 →一種可應用於任意實數矩陣（不需為方陣）的矩陣分解方法，將矩陣 X\in\mathbb{R}^{m\times n} 拆解為 X=U\Sigma V^\top。
查看名詞卡 →監督式學習中常用的分類工具，特別適合解決二元分類問題。透過建立一個最佳的分類邊界（超平面），將數據劃分為不同的類別。CH3.4 定位：鑑別式AI中的一種強大分類模型，核心思想是尋找一個能最大化類別間隔的超平面。
查看名詞卡 →SVM 的延伸，用於處理迴歸問題。核心概念是在誤差容忍範圍（ε-tube）內忽略誤差，只關注超出範圍的誤差，藉此提升對離群值的抵抗力。
查看名詞卡 →最常見且應用廣泛的敏捷開發（Agile Development）框架，特別適合用於 AI 原型開發與快速迭代階段，核心組成為三個角色、五個活動與三個產出（Artifacts）。
查看名詞卡 →Transformer 架構的核心機制，讓模型在處理輸入序列時，自動學習並加權每個詞與序列中其他所有詞的關聯程度，藉此同時捕捉全局語境。
查看名詞卡 →一種文字特徵轉換方法，結合「詞頻（TF）」與「文件稀有性（IDF）」，用於突出關鍵詞、降低常見詞（如「的」「是」）對分析結果的影響。
查看名詞卡 →由 Google 開發並維護的開源機器學習框架，早期採用靜態計算圖，TensorFlow 2.x 起轉向即時執行（Eager Execution），支援跨平台部署（CPU/GPU/TPU/行動裝置/網頁）。
查看名詞卡 →生成式 AI 模型選擇與搭建階段常見的生成模型之一，與 GAN、VAE 並列為常用於生成式人工智慧的模型結構，是目前主流大型語言模型的核心架構基礎。2017 年由 Google 提出，核心是以 Self-Attentio…
查看名詞卡 →專為醫療影像分割設計的深度學習模型，具有對稱的編碼器（Encoder）與解碼器（Decoder）結構，特別適用於處理不平衡的資料集。
查看名詞卡 →相對較新的高性能非線性降維方法，目標與 t-SNE 類似，在高維資料中尋找低維嵌入，同時保留局部與全局結構。
查看名詞卡 →生成式AI中一種基於機率生成模型的技術，透過將數據映射到隱變量空間（Latent Space）並重建原始數據來學習數據的潛在結構，廣泛應用於數據生成、重建與異常檢測。
查看名詞卡 →結合變分自編碼器（VAE）與生成對抗網路（GAN）的語音合成模型，透過端到端訓練直接從文字生成語音波形，在語音自然度與細節表現（如音色變化）上表現優異。
查看名詞卡 →一種創新的影像處理模型，採用與 NLP 領域相似的 Transformer 架構（而非卷積）來處理影像數據，突破了傳統 CNN 在電腦視覺領域的主導地位。
查看名詞卡 →採用由上而下的拆解方式，將複雜任務分割為可控的子任務，並明確每一單元的執行細節（責任角色、預期成果、所需資源、預估時長）的專案管理工具。
查看名詞卡 →一種用於分析詞向量中隱含偏見的工具，透過測量詞嵌入之間的關聯強度，檢測模型是否無意中學習到社會性偏見（如性別、種族刻板印象）。
查看名詞卡 →衡量語音內容準確性的錯誤率指標，常用於語音辨識/語音合成系統的評估。
查看名詞卡 →語音與文字轉換的生成式AI工具，用於實現語音與文字之間的無縫轉換，屬於多模態整合的代表應用。
查看名詞卡 →Google 團隊於 2013 年提出的詞嵌入演算法，透過神經網路訓練將每個詞轉換為具有語意意義的實數向量，屬於靜態、分布式、非語境型詞嵌入。
查看名詞卡 →梯度提升（GBDT）的高效工程實作版本，強調運算效率與正則化，採用二階導數（Hessian）資訊加速最佳分裂點搜尋，並內建 L1/L2 正則化防止過擬合。
查看名詞卡 →一種基於迴歸的物件偵測方法，能夠同時預測物體的邊界框（Bounding Box）和類別，速度快，適合即時應用。
查看名詞卡 →數據標準化方法之一，將數據轉換為均值為 0、標準差為 1 的分佈。
查看名詞卡 →在虛無假設 H0 為真之下，檢定統計量會落在比觀測值至少同樣極端的區域之機率。p 值又稱觀測大小。
查看名詞卡 →用於比較平均數差異的一組統計檢定方法，依比較對象不同分為單樣本、獨立樣本與配對樣本三種，皆假設母體標準差未知，以 t 分佈作為檢定統計量的理論分佈。
查看名詞卡 →一種非線性降維方法，專為高維資料的視覺化設計，將高維空間中相似的點映射到低維空間中也彼此靠近，藉由最小化 KL 散度優化低維座標。
查看名詞卡 →一種高效估算中位數和任意分位數的近似演算法，特別適合大規模和串流數據處理，透過構建數據的近似分位數分佈快速計算統計量。
查看名詞卡 →將一組資料按數值大小順序排列後，位於正中間的數值。
查看名詞卡 →當樣本量足夠大時，無論原始資料分佈為何，任一組獨立且同分佈的隨機變數，其總和或平均值的抽樣分佈都會趨近於常態分佈。
查看名詞卡 →描述在固定次數 n 的獨立試驗中，每次試驗成功機率為 p，記錄成功次數 X 的離散型機率分佈。
查看名詞卡 →一種評估模型穩健性的技術，透過將數據集分割為多個子集，反覆進行訓練與測試，有效降低過擬合風險並提升模型的泛化能力。
查看名詞卡 →一種旨在模擬人類智慧的技術，使機器能夠執行原本需要人類智慧才能完成的任務，如學習、推理、解決問題、感知環境等。
查看名詞卡 →受生物神經元啟發設計的數學模型，接收多個輸入訊號並加權求和，再透過激活函數產生輸出：Z=\sum_i w_ix_i+b，Output=A(Z)。
查看名詞卡 →結合人類回饋（反饋）的強化學習技術，用於在模型訓練階段調整生成結果，使其更貼近用戶需求。
查看名詞卡 →NVIDIA 提出之 AI 發展四階段的第三階段，指具備推理與計畫能力，能自動完成複雜任務的 AI。
查看名詞卡 →AI 專案中用於提升跨部門、多角色協作效率的任務管理軟體，能整合 WBS 拆解成果、即時反映任務進度並降低資訊不同步的風險。
查看名詞卡 →區間估計提供的一個數值範圍，表示我們對母體參數所在區間的信心程度。以 95% 信賴區間為例，其意義並非母體參數有 95% 的機率落在該特定區間內，而是：若以相同方式重複進行大量抽樣並對每個樣本建立信賴區間，則預期這些區間…
查看名詞卡 →基於母體之一組隨機樣本 X，以決定虛無假設（H0）與對立假設（Ha）中何者該拒絕的統計推論流程。
查看名詞卡 →模型選擇的核心原則之一：偏差（Bias，模型擬合能力不足導致的系統性誤差，即欠擬合）與變異（Variance，模型對訓練資料細微差異過於敏感導致的泛化能力差，即過擬合）之間存在固有的取捨關係。
查看名詞卡 →描述資料「分佈形狀」的兩項統計指標：偏度衡量分佈的對稱程度（左右是否均勻），峰度衡量分佈的尖峰與尾部厚度（是否高峰重尾或扁平輕尾）。
查看名詞卡 →觀察值中的最大值減去最小值後的數值。
查看名詞卡 →企業匯集法務、技術、產品、倫理及風險管理等跨部門成員組成的組織，負責定期審查 AI 系統的公平性風險及績效，是企業治理 AI 公平性的核心機制。
查看名詞卡 →用來衡量不同群體之間，在 AI 模型預測結果上是否存在系統性差異的量化指標，選用哪個指標取決於應用場景、業務目標與法規要求。
查看名詞卡 →在梯度下降基礎上，累積前幾次梯度方向並模仿物理慣性，讓參數更新更平滑、減少震盪：v_{t+1}=\gamma v_t+\eta\nabla_\theta L(\theta_t)，\theta_{t+1}=\theta_t…
查看名詞卡 →常態分佈的平方和所形成的偏態分佈，常用於檢驗假設、測量變異數，與適配度檢定、獨立性檢定、齊一性檢定密切相關。
查看名詞卡 →一種常見的非參數檢定方法，用於分析類別資料是否呈現某種統計關係，依目的不同分為獨立性檢定與適合度檢定兩種主要形式，理論基礎為卡方分佈。
查看名詞卡 →讓 AI 模型的決策過程與生成邏輯能被人類理解與追溯的技術研究方向，是解決生成式 AI「黑箱」問題、強化模型透明度與公信力的核心因應手段。
查看名詞卡 →由生成式模型產生、用以增補或替代真實訓練資料的人工資料，屬於生成式 AI 在「資料增強」面向的典型應用。
查看名詞卡 →允許在加密資料上直接執行運算（如加法、乘法），解密後結果與在明文上運算相同的密碼學技術，確保計算過程中資料全程保密。
查看名詞卡 →具方向與大小的數學物件，機器學習中通常用來描述單一樣本的特徵組合，如 x=[x_1,\dots,x_d]^\top。
查看名詞卡 →所有數值由小到大排列並分成四等份，處於三個分割點位置的數值就是四分位數（Q1、Q2、Q3）。
查看名詞卡 →統計離差的度量，等於第三四分位數（Q3）與第一四分位數（Q1）之間的差異，代表資料中間 50% 的數據範圍。
查看名詞卡 →指投資成本完全回收所需要的時間，是評估 AI 導入財務可行性的指標之一，計算簡單直觀，但未考慮資金的時間價值。
查看名詞卡 →假設檢定中可能產生的兩種判斷錯誤：型一錯誤是「H0 實際為真卻錯誤拒絕」（誤判），型二錯誤是「H1 實際為真卻未能拒絕 H0」（漏判）。
查看名詞卡 →能同時處理並整合來自兩種以上不同資料模態（如文字、影像、語音、感測器資料）的人工智慧系統，強調跨模態訊息的理解、融合與應用。
查看名詞卡 →以 GPT 系列為代表的語言生成模型，透過不斷擴展參數規模與計算能力，顯著提高語言生成的連貫性與語義深度。
查看名詞卡 →大數據平台中管理資料存取權限的四種常見模型，差異在於「依據什麼條件」決定誰可以存取資料。
查看名詞卡 →一種資料雜訊（noise）技術，透過在數據或運算結果中加入統計雜訊，防止敏感資料外洩，是生成式 AI 防範訓練數據洩漏、反向工程等安全風險的重要防範措施之一，也是 GDPR、CCPA 等隱私法規對資料處理提出的明確技術要…
查看名詞卡 →指利用 No Code / Low Code 等工具進行應用開發的非技術背景人員，可自動化日常工作（如報告生成與數據輸入），大幅提高生產力並減少錯誤，是 AI民主化 趨勢下的關鍵角色。
查看名詞卡 →最常見的連續型機率分佈之一，數據呈現對稱的鐘形曲線，由均值（μ）和標準差（σ）兩個參數決定分佈的中心位置與擴展範圍。
查看名詞卡 →描述一組資料集中趨勢最常用的統計量，代表所有資料值的平均水平，是資料的「重心」。最常見的是算術平均數（Arithmetic Mean），即所有資料數值相加後除以資料個數。
查看名詞卡 →代理（Agent）透過探索環境執行不同的行動，並根據環境提供的回饋（反饋）不斷更新策略，這一過程反映了「試錯學習（Trial-and-Error）」的本質。核心目標是最大化累積獎勵（Cumulative Reward），…
查看名詞卡 →將單一應用程式拆分為一組小型服務的架構風格，每個服務實作單一功能，並可獨立部署、更新與擴展。
查看名詞卡 →將來自不同感測器（如雷達、超音波、GPS、加速度計）的異質資料，透過資料同步與特徵對齊技術，整合至統一模型中的技術，用於提升環境感知能力。
查看名詞卡 →NVIDIA 提出之 AI 發展四階段的第一階段，指理解影像、語音、文字等資訊的 AI 能力，如圖像辨識、語音轉文字。
查看名詞卡 →在神經網路的每一層中標準化中間輸出，使輸入分佈穩定，有助於提升收斂速度與模型訓練穩定性。
查看名詞卡 →衡量平台在縮短開發週期、產品上市時間、提升開發效率等效益，確保投資具有實際價值；是評選 No Code / Low Code 平台時「成本與效益」構面的關鍵指標之一。
查看名詞卡 →強調靈活且開放的探索過程，透過探索性資料分析可從資料中發現潛在的模式、關係和異常值，這些發現將為後續深入分析提供重要線索。
查看名詞卡 →透過設計、調整輸入給生成式AI的提示詞（prompt），引導模型產生更符合特定需求的輸出結果，是提升生成式AI可控性與精準度的關鍵技術。
查看名詞卡 →一種用來衡量模型預測值與實際目標之間差異的函數。損失值越高，表示模型預測結果與實際值的誤差越大，反之則表示模型越準確。可視為評估模型好壞的指標。
查看名詞卡 →生成式AI中一種基於逐步添加與去除雜訊的數據生成方法，特別適合高維度數據生成任務，透過反向擴散過程逐步將隨機雜訊轉換為真實數據。
查看名詞卡 →評估現行作業流程是否已具備數位化基礎（如 ERP、CRM、資料倉儲等系統是否建置完善）的指標，是 AI 導入前組織就緒度盤點的重要面向之一。
查看名詞卡 →指模型上線後，輸入數據的分佈隨時間發生變化的現象，特別是當業務場景或用戶行為改變時，數據漂移可能導致模型預測準確性降低，是生成式 AI 正式營運階段「模型監控與重新訓練」的重點監測項目。
查看名詞卡 →訓練過程中，若驗證集效能連續多次迭代未改善（達到容忍次數 Patience），便提前終止訓練，以防止過擬合、節省訓練時間。
查看名詞卡 →針對具有時間順序性的資料（時序資料，Time Series Data）進行趨勢識別、季節性捕捉與預測的方法群，依複雜度可分為平滑法、統計建模法與進階預測模型三個層次。
查看名詞卡 →一種以「誤差最小化」為目標的參數估計方法，透過找出一組參數使預測值與實際觀測值差異的平方總和最小，是線性迴歸求解參數的核心方法。
查看名詞卡 →隨機變數的加權平均值，描述該隨機變數在多次試驗中可能出現的平均結果，代表隨機變數的長期平均或中心位置，有時被稱為「數學期望」。
查看名詞卡 →在已知事件 B 發生的前提下，事件 A 發生的機率，公式為 P(A|B)=\dfrac{P(A\cap B)}{P(B)}。是機器學習中「學習條件機率分佈 P(Y|X)」的數學基礎。
查看名詞卡 →一種優化方法，透過計算損失函數相對參數的偏導數（梯度），調整模型參數使損失函數值逐漸減小，藉此最小化損失並降低模型誤差。
查看名詞卡 →一種 Boosting 類集成演算法，核心概念是「逐步修正誤差」：先訓練一棵簡單決策樹，計算預測殘差後，再訓練下一棵樹專門修正這些殘差，最終疊加多棵弱學習器形成強模型。
查看名詞卡 →限制梯度的最大值，防止梯度爆炸（Exploding Gradient）導致的數值不穩定或發散，特別常用於 RNN 或深層模型的訓練。
查看名詞卡 →指資料背後的潛在關係或模式隨時間改變，導致模型的預測不再準確的現象，常見於長期運行的模型中，隨著外部條件變動，資料模式發生變化。
查看名詞卡 →衡量一組資料分散程度的統計量。標準差越大，表示資料點離平均值的距離越遠，資料的分散程度越高；標準差越小，表示資料點都聚集在平均值附近，分散程度越低。
查看名詞卡 →透過移除神經網路中影響較小、貢獻度低的權重或神經元，達到減少模型大小與提升計算效率目的的模型壓縮技術。
查看名詞卡 →使 AI 模型的行為與輸出結果符合人類價值觀、意圖與安全規範的技術與研究方向，是生成式 AI 未來發展的核心趨勢之一。
查看名詞卡 →生成式模型（如 GPT、ChatGPT）在生成回應或內容時，產生虛假、誤導性或完全虛構資訊的現象，即使語句語法正確、語氣自然，內容卻不基於訓練資料或事實。
查看名詞卡 →使用額外資料調整既有生成式AI模型的參數，讓用戶能根據特定需求調整生成結果，是提升模型個人化與可控性的關鍵技術之一。
查看名詞卡 →指模型的預測準確度隨時間變差的現象，通常由於訓練資料或環境的變化，導致模型無法適應新的資料模式，屬於 AI 導入的技術層風險（模型穩定性風險）之一。
查看名詞卡 →追蹤每次訓練的參數、資料版本與模型成果，以建立可重現性（Reproducibility）的管理機制。是 MLOps 與合規稽核的基礎。
查看名詞卡 →一種基於貝氏定理、並假設特徵之間彼此條件獨立的機率分類演算法：P(C|X)=\dfrac{P(X|C)\times P(C)}{P(X)}，因簡化假設所有特徵獨立而稱「樸素」。
查看名詞卡 →人工智慧的核心支柱，是一種基於數據驅動的方法，旨在讓計算機系統從經驗中學習，並在此基礎上執行特定任務，無需依賴人為編寫的規則。
查看名詞卡 →能幫助我們刻畫抽樣變異的特性，進而對母體參數做出推斷的模型；透過機率模型，可以建立框架來量化統計估計值的不確定性，並進一步進行區間估計和假設檢定等統計推斷。
查看名詞卡 →迴歸任務中用以衡量模型對目標變數變異解釋能力的指標：R^2=1-\dfrac{RSS}{TSS}=1-\dfrac{\sum(y_i-\hat{y}_i)^2}{\sum(y_i-\bar{y})^2}。
查看名詞卡 →透過一系列「如果…那麼…」判斷規則，將資料依特徵分割成不同群組的監督式學習演算法，可用於分類（Decision Tree Classifier）或迴歸（Decision Tree Regressor）。
查看名詞卡 →用來描述某一事件在固定時間或空間區間內「發生次數」的機率分佈，平均發生率（速率）為 λ。
查看名詞卡 →賦予模型在處理序列中任一元素時，能動態「關注」序列中所有其他相關元素並依相關性賦予不同權重的機制，是 Transformer 最核心的創新。
查看名詞卡 →結合圖像生成與語音合成技術所產生、以假亂真的影片或語音內容，常被濫用作為詐騙與假訊息散播的工具，是生成式 AI 應用的重大風險之一。
查看名詞卡 →機器學習的子領域，透過多層次的人工神經網路，從大量文本、語音、影像等數據中自動學習特徵。相較於傳統機器學習方法，深度學習不需要人類專家手動設計特徵，而是讓模型自行學習，因此在處理複雜數據時具有更強大的能力。
查看名詞卡 →結合公有雲、私有雲與邊緣架構，針對不同任務配置最合適的執行位置的部署策略。典型模式：雲端進行模型訓練、邊緣進行即時推論。
查看名詞卡 →二元分類問題中，以「正類（Positive）」與「負類（Negative）」對照實際與預測結果的標準表格，是計算 Accuracy、Precision、Recall、F1 等分類指標的基礎。
查看名詞卡 →單獨無識別性，但組合後可能指向個人的資料欄位，如性別、出生年月、郵遞區號、瀏覽紀錄。
查看名詞卡 →不中斷服務地逐步更新容器或模型版本的方式：一次替換一部分節點，確認正常後再換下一批。
查看名詞卡 →AI 系統因輸入資料或演算法設計，在無意間放大既有社會偏見或不公平，造成對特定群體不利或歧視性結果的現象。可分為資料層面（來源/內容/製程偏誤）與模型層面（演算法/目標函數/正規化偏誤）兩大成因。
查看名詞卡 →神經網路中將神經元加權輸入轉換為輸出的非線性函數，是賦予神經網路處理非線性問題能力的核心組件。
查看名詞卡 →NVIDIA 提出之 AI 發展四階段的第四（最終）階段，指能在真實世界中移動、操控並進行互動的 AI，如 AI 機器人與自駕車。
查看名詞卡 →透過資料理解、領域知識與建模目標的整合，設計、轉換或建構有意義的輸入特徵，以提升模型學習效率與表現的過程；並非單純套用預設演算法，而是有目的、有規劃的決策過程。
查看名詞卡 →從所有可用的原始特徵中，篩選出一個最佳子集的過程，以降低資料維度，同時保留足以讓模型準確預測的關鍵資訊；此過程不創造新特徵，而是從既有特徵中「選擇」。
查看名詞卡 →一種以時間為橫軸、任務列表為縱軸的專案管理視覺化工具，能清楚呈現各項工作的時間安排、重疊區段與關鍵路徑（Critical Path），為利害關係人提供直觀的專案進度概覽。
查看名詞卡 →一種強大的自然語言處理模型，透過龐大的參數數量，能夠根據使用者提供的提示詞，生成出連貫、有意義的文本回應（或圖像、語音、影片等其他素材）。CH3.4 的定義角度：透過學習數據的聯合分佈 P(x,y) 或邊際分佈 P(x)…
查看名詞卡 →從大量正常資料中自動識別偏離預期行為的觀測值的技術，目標是找出潛藏風險、錯誤或可疑行為的徵兆（如金融詐騙、系統錯誤、設備故障）。
查看名詞卡 →用於評估兩個連續變數之間線性相關程度是否具有統計顯著性的方法，相關係數 r 介於 −1 與 +1 之間：正相關（r>0）、負相關（r<0）、無相關（r≈0）。
查看名詞卡 →機器學習中最常見的一種方法，以「有標記的數據」為基礎，目標在於學習輸入與輸出之間的映射關係。數據集中每個樣本都包含明確的輸入特徵與對應的標記，模型訓練過程即是在這些標記的指導下建立預測規則。
查看名詞卡 →資料蒐集需指定明確目的，後續使用不得超出或變更原目的。為 GDPR、CCPA、台灣個資法共通的核心原則之一。
查看名詞卡 →指在一組資料中出現頻率最高的值。
查看名詞卡 →一種模型壓縮技術，將大型、高準確度的「教師模型（Teacher）」知識，傳遞給較小、較輕量的「學生模型（Student）」，使學生模型在體積更小、運算更快的情況下，仍能接近教師模型的預測表現。
查看名詞卡 →將一個高維矩陣拆解為數個較小且具結構意義的子矩陣乘積，以實現資料降維、壓縮與轉換。
查看名詞卡 →模仿人腦神經元運作方式的機器學習模型，由多層相互連結的神經元組成，能夠處理高度非線性與複雜的數據。
查看名詞卡 →模擬攻擊者角度，主動測試 AI 模型潛在弱點與漏洞的技術，用於強化生成式 AI 輸出內容的安全性與合規性，是「模型對齊與安全防護機制」的重要手段之一。
查看名詞卡 →依數據是否具有固定結構，可分為三類：結構化數據（清晰固定結構）、半結構化數據（有結構標籤但格式靈活）、非結構化數據（無固定結構）。
查看名詞卡 →以樣本資料為基礎，對整體母體特徵進行科學性推估的程序，是機器學習與大數據分析背後的邏輯支柱。
查看名詞卡 →一種自動擷取網站公開數據的技術，屬於外部公開數據蒐集方式之一，可透過程式自動抓取網站上的公開資訊。
查看名詞卡 →在不破壞空間線性結構的前提下，對資料進行伸縮、旋轉或投影等操作的數學運算，本質是向量被矩陣左乘：Ax \in \mathbb{R}^k。
查看名詞卡 →機器學習中最基礎的監督式學習模型之一，透過一條直線或多維超平面描述自變數與應變數間的線性關係：y=\beta_0+\beta_1x_1+\cdots+\beta_nx_n+\varepsilon，以最小平方估計求解迴歸係…
查看名詞卡 →考量平台的購買、維護、培訓等相關成本，評估其對企業的整體財務影響，避免隱性費用；是評選 No Code / Low Code 平台時「成本與效益」構面的關鍵指標之一。
查看名詞卡 →模型在各個客戶端（如使用者裝置或不同機構）本地進行訓練，只將模型參數更新（如梯度）傳回中央伺服器，避免原始資料集中存放或傳輸的進階隱私強化技術。
查看名詞卡 →統計學中的重要概念，指的是在計算統計量時，「可以自由變動的資料點數量」。自由度的大小會影響檢定結果、分佈的形狀及其精確度。
查看名詞卡 →一種學習輸入資料高效表示（編碼）的非監督式學習模型，由編碼器（壓縮至瓶頸層 Bottleneck Layer）與解碼器（重構回原維度）組成，透過最小化重構誤差進行訓練。
查看名詞卡 →準備兩套完整環境（藍＝現行舊版、綠＝待上線新版），新版在綠環境完成驗證後，一次性將流量整批切換過去的部署策略；若出問題可立即切回藍環境。
查看名詞卡 →以符號 H0 表之，表示不存在顯著效果或差異，通常作為假設檢定的基準假設。
查看名詞卡 →GDPR 賦予使用者存取、更正或刪除其個人資料的權利，對應「可追蹤與可刪除性」的合規基本原則。
查看名詞卡 →利用已知條件更新事件發生機率的方法：P(A|B)=\dfrac{P(B|A)\cdot P(A)}{P(B)}。將「先驗信念」與「新觀察證據」結合，產生「後驗」判斷。
查看名詞卡 →訓練資料是否能準確涵蓋其所欲建模的整體群體，避免過度集中於特定族群、文化、語言或背景。代表性不足會使模型產生系統性偏見（Systematic Bias）。
查看名詞卡 →針對結構化資料設計、採用 Schema-on-Write（先定義嚴格結構才能寫入）的集中式儲存系統，強調資料的一致性、可查詢性與治理能力，常作為企業商業智慧（BI）報表分析的基礎。
查看名詞卡 →移除或模糊可識別個人的資訊（PII），以降低重識別風險，同時保留數據的分析價值的技術總稱。
查看名詞卡 →評估資料是否適合投入 AI 模型訓練的五項檢核面向：完整性、一致性、準確性、即時性、唯一性。
查看名詞卡 →僅蒐集完成任務所需的最少資料，避免過度蒐集。為 GDPR、CCPA、台灣個資法共通的核心原則之一。
查看名詞卡 →確保資料在使用過程中的正確性、可追溯性與權限控管的管理機制，包含資料標準、管理制度與負責單位的建立，是 AI 成功導入的關鍵前提。
查看名詞卡 →一種以原始格式儲存各類資料（結構化、半結構化、非結構化）的架構，主要目標為建立一個統一且彈性強的儲存平台，支援日後多種分析與處理任務。
查看名詞卡 →兩種造成模型效能隨時間衰退的現象：資料漂移指資料分佈本身隨時間改變（如消費行為改變）；概念漂移指資料與標籤之間的關聯隨時間改變（如詐騙行為模式變異）。
查看名詞卡 →確保資料能持續、穩定地流入模型運行流程的自動化處理鏈，涵蓋資料擷取、格式轉換、清理與入庫四個階段。
查看名詞卡 →由開發者手動指定、不由資料自動學習得出的參數，對模型訓練穩定性、收斂速度與最終效能有重大影響。與模型「參數」（由訓練過程學習得出，如權重、偏差）不同。
查看名詞卡 →將不同模態（如文字與影像）的資料映射至相同的語意空間，使模型能比較、關聯或互相翻譯不同模態下輸入的技術，是多模態 AI 的核心技術之一。
查看名詞卡 →模型在訓練數據上表現優異，但在測試數據上表現不佳的現象，通常是由於模型過度學習了訓練數據中的雜訊或特定模式，導致對測試數據的泛化能力不足。
查看名詞卡 →在靠近資料來源端的裝置（IoT、手機、車載系統、攝影機、感測器）上進行模型推論，以減少延遲與頻寬消耗的部署方式。
查看名詞卡 →鑑別式AI中最簡單且最基礎的分類模型，用於解決二元分類問題。透過 sigmoid 函數將線性模型輸出映射到 0～1 之間作為預測機率，據此進行分類決策。
查看名詞卡 →將模型中高精度參數（如 32-bit 浮點數）轉換為較低精度格式（如 8-bit 整數）的模型壓縮技術，以減少模型大小並加快運算速度。
查看名詞卡 →新版模型上線時，先導入極少量流量（如 5%）進行觀察，確認無虞後才逐步放大比例的部署策略，用以降低新模型不穩定帶來的風險。
查看名詞卡 →透過學習數據特徵與目標標記之間的條件機率 P(y|x) 來進行預測的機器學習方法，專注於分類與迴歸任務，不會建構數據生成的內在機制。
查看名詞卡 →為數值資料加入小幅隨機噪音（如高斯噪音）的基礎匿名化技術，例如將薪資「50,000」擾動為「50,123」，使單筆數據難以反推。
查看名詞卡 →集成式演算法，透過 Bagging（Bootstrap Aggregating）策略建立多棵決策樹，各在隨機子樣本與隨機特徵子集上訓練，最終以多數決（分類）或平均值（迴歸）產生結果。
查看名詞卡 →國際間廣泛採用的隱私治理工具，用來系統性分析資料處理活動對個人隱私可能產生的影響，並提出相應的風險緩解策略。
查看名詞卡 →當資料不符合常態分佈、含極端值或為順序資料時，用來取代 t檢定 / ANOVA 的檢定方法，基於中位數與排名（ranks）而非平均數進行推論。
查看名詞卡 →與監督式學習不同，非監督式學習並不依賴有標記的數據，而是透過分析數據的內在結構來尋找潛在的模式或規律。模型的任務是自行辨識數據間的相似性或關聯性。
查看名詞卡 →將非數值型的類別變數（Categorical Variables）轉換為模型可辨識與運算的數值特徵的三種常見方法，選擇依據為類別是否具順序、類別數量（基數）與資料量。
查看名詞卡 →α 稱為顯著水準，又稱檢定大小；α 之值常取成 0.1、0.05 或 0.01 等。
查看名詞卡 →實務上用於生成式 AI 風險評估的定量與定性分析工具，將風險的發生概率與其影響程度進行交叉對比，幫助決策者直觀了解各類風險的權重，為優先處理高風險問題提供依據。
查看名詞卡 →強化學習問題的標準數學形式化架構，由代理人（Agent）、環境（Environment）、狀態（State）、動作（Action）、報酬（Reward）、策略（Policy）與價值函數（Value Function）組成…
查看名詞卡 →更注重於驗證研究者提出的假設，透過分類、分群、相關性分析以及預測模型等方法，對探索階段所發現的模式進行更深入的挖掘。
查看名詞卡 →形容 AI 系統決策過程不透明、用戶無法輕易理解模型推理過程的特性，是生成式 AI 在倫理與偏見議題中面臨的核心挑戰，會削弱結果可信度並增加企業在倫理層面的壓力。
查看名詞卡 →