2025年4月1日 星期二

AI相關名詞完整版

L111 人工智慧概念 (AI Concepts)

  • 核心定義與範疇

    1. 人工智慧 (AI / Artificial Intelligence)

    2. 機器智慧 (Machine Intelligence)

    3. 弱人工智慧 (Weak AI / Narrow AI)

    4. 強(通用)人工智慧 (Strong AI / AGI / General AI)

    5. 超人工智慧 (Super AI)

  • 基本原理與方法
    6. 符號主義 AI (Symbolic AI)
    7. 認知計算 (Cognitive Computing)
    8. 知識表示 (Knowledge Representation)
    9. 框架理論 (Frame Theory)
    10. 推理能力 (Reasoning Abilities)
    11. 理性行動 (Acting Rationally)

  • 核心子領域
    12. 自然語言處理 (Natural Language Processing / NLP)
    13. 語音識別 (Speech Recognition)
    14. 電腦視覺 (Computer Vision / CV)

  • 關鍵概念與測試
    15. 智慧代理 (Intelligent Agents)
    16. AI Agent (人工智慧代理)
    17. 具身智能 (Embodied AI)
    18. 圖靈測試 (Turing Test)

  • 特定應用與範例
    19. 專家系統 (Expert System)
    20. 智能客服 (Chatbot)
    21. 知識圖譜 (Knowledge Graph)
    22. 阿爾法圍棋 (AlphaGo)
    23. 視覺常識推理 (Visual Commonsense Reasoning)
    24. 語言理解與推理 (Language Understanding and Reasoning)

  • 進階與未來概念
    25. 自主系統 (Autonomous Systems)
    26. 自主學習系統 (Autonomous Learning Systems)
    27. 混合智能系統 (Hybrid Intelligence Systems)
    28. 人機協作 (Human-AI Collaboration)
    29. 計算創造力 (Computational Creativity)
    30. 人工通用智能安全 (AGI Safety)
    31. 深度研究 (Deep Research)
    32. 深度搜尋 (Deep Search)

L112 資料處理與分析概念 (Data Processing and Analysis Concepts)

  • 數據基礎

    1. 資料 (Data)

    2. 資料類型 (Data Types): 數值型(Numerical), 類別型(Categorical), 字串(String), 布林子(Boolean), 日期型(Date)

    3. 結構化資料 (Structured Data)

    4. 半結構化資料 (Semi-structured Data)

    5. 非結構化資料 (Unstructured Data)

    6. 標註資料 (Labeled Data)

    7. 未標註數據 (Unlabeled Data)

  • 大數據特性
    8. 大數據 (Big Data)
    9. 4V (Volume, Velocity, Variety, Value)
    10. Volume (數量)
    11. Velocity (速度)
    12. Variety (多樣性)
    13. Value (價值)
    14. Veracity (真實性)

  • 數據生命週期:獲取與儲存
    15. 資料收集 (Data Collection)
    16. 內部資料 (Internal Data)
    17. 外部資料 (External Data)
    18. 開放資料 (Open Data)
    19. 社群媒體資料 (Social Media Data)
    20. 第三方數據供應商 (Third-party Data Providers)
    21. 網路爬蟲 (Web Scraping)
    22. 合成數據生成 (Synthetic Data Generation)
    23. 數據倉儲 (Data Warehouse)
    24. 數據湖 (Data Lake)
    25. 向量資料庫 (Vector Database)
    26. 數據中台 (Data Middle Platform)
    27. 數據網格 (Data Mesh)

  • 數據生命週期:處理與準備
    28. 數據品質 (Data Quality)
    29. 資料清理 (Data Cleaning / Cleansing / 數據清洗)
    30. 資料轉換與整理 (Data Transformation and Wrangling)
    31. ETL (Extract, Transform, Load)
    32. 特徵工程 (Feature Engineering)
    33. 特徵縮放 (Feature Scaling)
    34. 正規劃 (Normalization)
    35. 標準化 (Standardization)
    36. 類別資料編碼 (Categorical Encoding)
    37. 數據標註 (Data Labeling)

  • 數據生命週期:分析與管理
    38. 資料分析 (Data Analysis)
    39. 探索性數據分析 (EDA / Exploratory Data Analysis)
    40. 資料解釋 (Data Interpretation)
    41. 主數據管理 (MDM / Master Data Management)
    42. 數據目錄 (Data Catalog)
    43. 數據編排 (Data Orchestration)
    44. 資料庫索引優化 (Database Index Optimization)

L113 機器學習概念 (Machine Learning Concepts)

  • 核心定義與範疇

    1. 機器學習 (ML / Machine Learning)

    2. 演算法 (Algorithm)

    3. 模型 (Model)

    4. 預測 (Prediction)

    5. 預測模型 (Predictive Model)

  • 學習範式 (Learning Paradigms)
    6. 監督式學習 (Supervised Learning / 教學學習)
    7. 非監督式學習 (Unsupervised Learning / 無監督學習)
    8. 半監督學習 (Semi-supervised Learning)
    9. 自監督學習 (Self-Supervised Learning)
    10. 強化學習 (RL / Reinforcement Learning)
    11. 遷移學習 (Transfer Learning)
    12. 元學習 (Meta-Learning / Learning to Learn)
    13. 持續學習 / 終身學習 (Continual Learning / Incremental Learning / Lifelong Learning / 遞增學習)
    14. 聯邦學習 (Federated Learning)
    15. 主動學習 (Active Learning)
    16. 集成學習 (Ensemble Learning)
    17. 生成式學習 (Generative Learning)
    18. 在線學習 (Online Learning)

  • 核心任務
    19. 分類 (Classification)
    20. 迴歸 (Regression)
    21. 分群 (Clustering)
    22. 降維 (Dimensionality Reduction)
    23. 關聯規則學習 (Association Rule Learning)
    24. 異常檢測 (Anomaly Detection)

  • 數據與標籤
    25. 數據集 (Dataset)
    26. 樣本集 (Sample Set)
    27. 訓練集 (Training Set)
    28. 驗證集 (Validation Set)
    29. 測試集 (Testing Set)
    30. 標記 (Label / 標籤)

  • 常用監督式演算法
    31. 線性迴歸 (Linear Regression)
    32. 邏輯迴歸 (Logistic Regression)
    33. 嶺迴歸 (Ridge Regression)
    34. 套索迴歸 (Lasso Regression)
    35. 自我迴歸 (Auto Regression / AR)
    36. 支持向量機 (SVM / Support Vector Machine)
    37. K-近鄰算法 (KNN / K-Nearest Neighbors)
    38. 決策樹 (Decision Trees / Decision Tree)
    39. 隨機森林 (Random Forest)
    40. 梯度提升樹 (Gradient Boosting)
    41. 樸素貝葉斯 (Naive Bayes)
    42. 貝葉斯網路 (Bayesian Networks)

  • 常用非監督式演算法
    43. K-均值 (K-means)
    44. 主成分分析 (PCA / Principal Component Analysis)
    45. t-分佈隨機鄰域嵌入 (t-SNE)
    46. 均匀流形逼近與投影 (UMAP)
    47. DBSCAN
    48. 層次分群 (Hierarchical Clustering)
    49. Apriori 演算法
    50. FP-Growth 演算法

  • 深度學習基礎
    51. 深度學習 (DL / Deep Learning)
    52. 神經網路 (NN / Neural Network)
    53. 深度神經網路 (DNN / Deep Neural Network)
    54. McCulloch-Pitts 神經元 (MCP Neuron)
    55. 感知器 (Perceptron)
    56. 神經元 (Neuron)
    57. 輸入層 (Input Layer)
    58. 隱藏層 (Hidden Layer)
    59. 輸出層 (Output Layer)
    60. 全連接 (Fully Connected)
    61. 激活函數 (Activation Function)
    62. Sigmoid
    63. Softmax
    64. ReLU
    65. Tanh

  • 深度學習訓練與優化
    66. 損失函數 (Loss Function / Cost Function)
    67. 優化 (Optimization)
    68. 梯度下降 (Gradient Descent)
    69. 反向傳播 (Backpropagation)
    70. 批次正規化 (Batch Normalization)
    71. 梯度消失 (Vanishing Gradients)
    72. 梯度爆炸 (Exploding Gradients)
    73. 跳接連結 (Skip Connections / Residual Connections)

  • 特定深度學習架構
    74. 卷積神經網路 (CNN / Convolutional Neural Network)
    75. 循環神經網路 (RNN / Recurrent Neural Network)
    76. 圖神經網路 (GNN / Graph Neural Networks)

  • 強化學習核心
    77. 代理人 (Agent)
    78. 環境 (Environment)
    79. 狀態 (State)
    80. 行動 (Action)
    81. 獎勵 (Reward)
    82. 策略 (Policy)
    83. Q-learning
    84. 人類反饋強化學習 (RLHF / Reinforcement Learning from Human Feedback)

  • 模型評估指標 (分類)
    85. 混淆矩陣 (Confusion Matrix)
    86. 準確率 (Accuracy)
    87. 精確率 (Precision)
    88. 召回率 (Recall / Sensitivity)
    89. F1 分數 (F1-Score)
    90. ROC 曲線 (Receiver Operating Characteristic Curve)
    91. AUC (Area Under Curve)

  • 模型評估指標 (迴歸)
    92. 平均絕對誤差 (MAE / Mean Absolute Error)
    93. 均方誤差 (MSE / Mean Squared Error)
    94. 均方根誤差 (RMSE / Root Mean Squared Error)
    95. R 平方 (R-squared / Coefficient of Determination)

  • 模型訓練與泛化問題
    96. 過度擬合 (Overfitting)
    97. 欠擬合 (Underfitting)
    98. 正則化 (Regularization)
    99. L1 正則化
    100. L2 正則化
    101. Dropout 率 (Dropout)

  • 進階訓練技巧
    102. 課程式學習 (Curriculum Learning)
    103. 資訊蒸餾 (Knowledge Distillation)
    104. 對比學習 (Contrastive Learning)

  • 模型構建、部署與維護
    105. 推理模型 (Inference Model)
    106. 模型壓縮 (Model Compression)
    107. 量化 (Quantization)
    108. 模型剪枝 (Model Pruning)
    109. 模型漂移 / 衰退 (Model Drift)
    110. 自動化機器學習 (AutoML / Automated Machine Learning)
    111. 機器學習維運 (MLOps)
    112. 端對端機器學習 (End-to-End Machine Learning)

  • 其他相關
    113. 高斯過程 (Gaussian Processes)
    114. MNIST 手寫數字資料集 (MNIST)

L114 鑑別式 AI 與 生成式 AI 概念 (Discriminative AI vs. Generative AI Concepts)

  • 核心概念區分

    1. 鑑別式 AI (Discriminative AI / 判別式 AI)

    2. 生成式 AI (GAI / Generative AI)

  • 基礎模型與架構
    3. Transformer 模型 (Transformer)
    4. 注意力機制 (Attention Mechanism)
    5. 自注意力 (Self-Attention)
    6. 跨模態注意力 (Cross-Modal Attention)
    7. 狀態空間模型 (SSMs / State Space Models)
    8. 語言模型 (Language Model)
    9. 大型語言模型 (LLM / Large Language Model)
    10. 多模態模型 (Multimodal Model) / 大型多模態模型 (LMM / Large Multimodal Model)
    11. 專家混合模型 (MoE / Mixture of Experts)
    12. 世界模型 (World Models)

  • 預訓練與微調
    13. 預訓練技術 (Pre-training Techniques)
    14. 生成式預訓練 (Generative Pre-training)
    15. 掩碼語言建模 (MLM / Masked Language Modeling)
    16. 因果語言建模 (CLM / Causal Language Modeling)
    17. 微調 (Fine-tuning)
    18. 高效參數微調 (PEFT / Parameter-Efficient Fine-Tuning)
    19. LoRA (Low-Rank Adaptation)
    20. Adapter Tuning
    21. Prompt Tuning

  • 主要生成模型
    22. 生成對抗網路 (GANs / GAN / Generative Adversarial Networks)
    23. 變分自編碼器 (VAEs / VAE / Variational Autoencoders)
    24. 擴散模型 (Diffusion Models)
    25. 穩定擴散 (Stable Diffusion)
    26. 自迴歸模型 (Autoregressive Models)
    27. 流動基礎模型 (Flow-based Models)

  • 特定知名模型/產品
    28. BERT (Bidirectional Encoder Representations from Transformers)
    29. GPT (Generative Pre-trained Transformer)
    30. DALL-E
    31. StyleGAN / STYLESGANT
    32. Gemini

  • LLM/GAI 關鍵概念與挑戰
    33. 上下文窗口 (Context Window)
    34. 長上下文處理 (Long Context Processing)
    35. 幻覺 (Hallucination)
    36. 記憶 (Memory)
    37. 湧現能力 (Emergent Abilities)

  • 相關學習與應用
    38. 零樣本學習 (Zero-shot Learning)
    39. 條件式生成 (Conditional Generation)
    40. 文本生成 (Text Generation)
    41. 文本到圖像 (Text-to-Image)
    42. 圖像生成 / 合成 (Image Generation / Synthesis)
    43. 風格轉換 (Style Transfer)
    44. 多模態生成 (Multimodal Generation)
    45. 檢索 (Retrieval)

L121 No-Code 與 Low-Code (No-code / Low-code Concepts)

  1. 無代碼 (No-Code)

  2. 低代碼 (Low-Code)

  3. 視覺化開發環境 (VDE / Visual Development Environment)

  4. 抽象化 (Abstraction)

  5. 組件 (Components)

  6. 模板 (Templates)

  7. 模型驅動開發 (MDD / Model-Driven Development)

  8. 流程自動化 (Workflow Automation)

  9. 公民開發者 (Citizen Developer)

  10. Bubble (No-Code 開發平台)

  11. Microsoft Power Platform

  12. Vibe Coding

L122 生成式 AI 應用領域與工具使用 (Generative AI Application Areas and Tool Usage)

  • 與 LLM 交互 (Interacting with LLMs)

    1. 提示 (Prompt)

    2. 提示工程 (Prompt Engineering)

    3. 零樣本提示 (Zero-shot Prompting)

    4. 少樣本提示 (Few-shot Prompting)

    5. 上下文學習 (In-Context Learning, ICL)

    6. 鏈式思考 (Chain of Thought) / 思維鏈提示 (CoT / Chain-of-Thought)

    7. 檢索增強生成 (RAG / Retrieval-Augmented Generation)

    8. Function Call (函式調用) / Tool Use

    9. REST API (Representational State Transfer Application Programming Interface)

    10. Token

    11. MCP (模型上下文協議 / Model Context Protocol)

    12. 實際對應(Grounding)

  • 特定應用/功能 (Specific Applications/Features)
    13. 語音到文本 (Speech-to-Text, STT)
    14. 文本到語音 (TTS / Text-to-Speech)
    15. 文本到視頻 (Text-to-Video)
    16. 視覺語言模型 (Visual Language Model, VLM)
    17. 大型多媒體模型 (Large Multimedia Model, LMM)

  • Agent 與框架 (Agents and Frameworks)
    18. AutoGPT:自主 AI 代理的代表
    19. LangChain (LLM應用開發框架)
    20. LlamaIndex (LLM應用開發框架)

  • 應用工具與平台 (Application Tools and Platforms)
    21. Canvas (OpenAI 協作功能)

  • 應用中的挑戰 (Challenges in Applications)
    22. 提示注入攻擊 (Prompt Injection)

L123 生成式 AI 導入評估規劃 (Generative AI Implementation Evaluation and Planning)

I. 核心原則、治理與倫理 (Core Principles, Governance & Ethics)

  1. 負責任 AI (Responsible AI)

  2. AI 治理 (AI Governance)

  3. AI 倫理框架 (AI Ethics Framework)

  4. 數位倫理 (Digital Ethics)

  5. 公平性 (Fairness)

  6. 可靠性與安全性 (Reliability & Safety)

  7. 隱私與保密性 (Privacy & Security)

  8. 包容性 (Inclusiveness)

  9. 透明度 (Transparency)

  10. 可解釋 AI (XAI / Explainable AI)

  11. 機械可解釋性 (Mechanistic Interpretability)

  12. 責任 (Accountability)

  13. 演算法問責制 (Algorithmic Accountability)

  14. 人類自主性 (Human Autonomy)

II. 風險、挑戰與對齊 (Risks, Challenges & Alignment)
15. 演算法偏見 (Algorithmic Bias)
16. 認知偏誤 (Cognitive Bias)
17. 技術債 (Technical Debt)
18. AI 安全對齊 (AI Safety Alignment / Value Alignment)
19. 從 AI 反饋中強化學習 (RLAIF / Reinforcement Learning from AI Feedback)
20. 憲法 AI (Constitutional AI)
21. 直接偏好優化 (DPO / Direct Preference Optimization)
22. 紅隊演練 (Red Teaming)
23. 深度偽造檢測 (Deepfake Detection)
24. IP 風險 (IP Risk)
25. 黑盒子 (Black Box)
26. 可持續 AI (Sustainable AI)
27. 綠色 AI (Green AI)
28. AI 碳足跡 (AI Carbon Footprint)

III. 數據隱私與安全 (Data Privacy & Security)
29. 資料隱私 (Data Privacy)
30. 資料安全 (Data Security)
31. 資料治理 (Data Governance)
32. 隱私強化技術 (PETs / Privacy-Enhancing Technologies)
33. 差分隱私 (Differential Privacy / 差分化隱私)
34. 去識別化 (De-identification)
35. 資料匿名化 (Anonymization)
36. 資料假名化 (Pseudonymization)
37. 知情同意 (Informed Consent)
38. 資料最小化 (Data Minimization / 最小化資料)
39. 目的限制 (Purpose Limitation)
40. 零信任架構 (Zero Trust Architecture)
41. 雙因素認證 (2FA / Two-Factor Authentication)
42. 內容水印 (Watermarking - AI Content)
43. 數據加密 (Data Encryption)
44. 存取控制 (Access Control)
45. API Key (管理)

IV. 法規與合規 (Regulations & Compliance)
46. 合規性 (Compliance)
47. 演算法監管 (Algorithmic Regulation)
48. 通用資料保護規則 (GDPR / General Data Protection Regulation)
49. 人工智慧法案 (AI Act / 歐盟人工智慧法案)
50. 臺灣個人資料保護法 (PDPA / 個資法)
51. 加州消費者隱私法 (CCPA / California Consumer Privacy Act)
52. 健康保險可攜性和責任法案 (HIPAA)

V. 導入策略、規劃與評估 (Implementation Strategy, Planning & Evaluation)
53. AI 導入策略 (AI Adoption Strategy)
54. AI 導入藍圖 (AI Adoption Roadmap)
55. AI 導入成熟度評估 (AI Adoption Maturity Assessment)
56. 需求探索 (Needs Discovery)
57. 技術成熟度評估 (TRL / Technology Readiness Level)
58. 概念驗證 (POC / Proof of Concept)
59. 最小可行產品 (MVP / Minimum Viable Product)
60. 決策應用 (Decision Application)
61. 成本效益分析 (Cost-Benefit Analysis, CBA)
62. 投資報酬率 (Return on Investment, ROI)
63. 總體擁有成本 (Total Cost of Ownership, TCO)
64. 關鍵績效指標 (KPI / Key Performance Indicator)
65. A/B 測試 (A/B Testing)
66. SMART 原則
67. 解決方案光譜 (Solution Spectrum)
68. 客製化模型 (Custom Model)
69. 自建模型 (Self-built Model)
70. 開源模型 (Open Source Model)
71. 效能基準測試 (Benchmarking)
72. 多模態能力 (Multimodal Capability) - (作為評估維度)
73. 專案落地 (Go-Live / Deployment)
74. AI 價值擴散 (AI Value Diffusion) / AI 加值擴散 (Scale & Diffuse Value)

VI. 風險管理、組織與角色 (Risk Management, Organization & Roles)
75. 風險評估 (Risk Assessment)
76. 風險矩陣 (Risk Matrix)
77. 風險登錄表 (Risk Register)
78. 風險監控 (Risk Monitoring)
79. 敏感性分析 (Sensitivity Analysis)
80. AI 審計 (AI Auditing)
81. 偏見審計 (Bias Audit)
82. 變革管理 (Change Management) - (針對 AI 導入的組織適應)
83. 營運持續計畫 (BCP / Business Continuity Plan)
84. 利害關係人對齊 (Stakeholder Alignment)
85. 資源分配 (Resource Allocation)
86. Prompt 工程師 (Prompt Engineer)

VII. 技術與數據流程 (Technical & Data Aspects)
87. 數據盤點 (Data Inventory)
88. 數據處理流程 (Data Pipeline)
89. AI 框架 (AI Framework)
90. 觸發再訓練 (Trigger Retraining)

VIII. 特定計畫/倡議 (Specific Programs/Initiatives)
91. AIGO (AI GO)

沒有留言:

張貼留言