強化學習 (Reinforcement Learning)
強化學習（Reinforcement Learning，簡稱RL）是機器學習中的一種重要分支，其核心理念是透過「試錯法」讓智能體（Agent）在動態環境中不斷探索，從中學習如何做出最佳決策以最大化累積獎勵。它與監督學習和非監督學習不同，不需要預先標註好的正確答案，而是依靠環境給予的反饋信號來指導行為優化。
查看AI術語
自然語言處理 NLP
自然語言處理（Natural Language Processing，簡稱NLP）是人工智慧和計算語言學的一個交叉領域，致力於讓計算機能夠理解、分析、生成與應用人類日常使用的自然語言。無論是書面文字還是口語表達，NLP都嘗試使機器具備類似人類的語言理解和溝通能力，促進人機之間更加自然、高效的交流。
查看AI術語
變換器 (Transformer)
變換器（Transformer）是一種深度學習架構，於2017年由谷歌大腦團隊發表的論文《Attention Is All You Need》中首次提出，徹底改變了自然語言處理（NLP）和其他序列數據處理的方式。其核心創新是完全基於注意力機制（Attention Mechanism），放棄了過往循環神經網絡（RNN）和長短期記憶網絡（LSTM）依賴序列處理的限制，從而大幅提升模型的計算效率並更好地捕捉長距離依賴關係。
查看AI術語
注意力機制 (Attention Mechanism)
注意力機制（Attention Mechanism）是一種靈感來自人類認知過程的深度學習技術，模仿人類在處理大量信息時，會有選擇性地集中注意力於關鍵部位的能力。它通過計算輸入數據中各部分的重要性權重，讓模型能夠自動識別和強化對於當前任務最相關的信息，而減少對無關信息的關注。這使得神經網絡能更高效地理解和生成數據，提高模型的表現與解釋能力。
查看AI術語
嵌入 (Embeddings)
嵌入（Embeddings）是人工智慧和機器學習中一種重要的數據表示方法，它將原本難以直接計算和理解的高維、非結構化數據，如文字、圖像或音訊，透過數學映射轉換成低維且連續的向量形式。這些向量能捕捉數據的語義特徵和內在關係，讓機器能夠在高維空間中進行計算、比較和推理，從而更有效地理解和處理複雜數據。
查看AI術語