Embedded Files
MOEA單元一到單元七，在 PG620 指南七大篇章中的對應位置，方便延伸閱讀。(上課講義超連結)
單元一～七完整對照表(如下表)
單元一～二 → 偏重「基礎理論＋產業應用」
單元三～四 → 偏重「責任AI＋機器學習技術」
單元五～六 → 聚焦「鑑別式/生成式AI的核心理論」
單元七 → 最後連結到「企業導入策略與工具」
電腦視覺趨勢https://www.ultralytics.com/zh/blog
AI社群模型 https://huggingface.co/
(影片)讓人工智慧玩捉迷藏 強化學習AI Learns to Walk
監督 決策樹是一種樹狀結構的決策支援工具和機器學習演算法，透過一系列的節點和分支，以直觀的方式模擬決策過程和分析數據，最終達到分類或預測的目的。 它廣泛應用於資料探勘、機器學習和決策分析，能夠清晰地展示決策的邏輯和結果。
監督 隨機森林的基本原理是，結合多顆CART樹（CART樹為使用GINI算法的決策樹），並加入隨機分配的訓練資料，以大幅增進最終的運算結果。 顧名思義就是由許多不同的決策樹所組成的一個學習器，其想法就是結合多個「弱學習器」來建構一個更強的模型：「強學習器」。隨機森林屬於集成學習（Ensemble Learning），透過多顆決策樹投票或平均，能處理更複雜的數據，提升準確率與穩定性。金融領域信用評分與詐騙偵測、醫療大數據疾病風險預測：如心臟病風險評估，結合多維度資料（生活習慣、檢查數值、遺傳因子），隨機森林能處理大量變項，提升預測可靠度、產業應用產品品質檢測。
非監督 K-Means演算法是一種迭代求解的群集演算法。 該演算法原理為：先將資料分為K組，隨機選取K個對象作為初始的聚類中心，然後計算每個對象與各個種子聚類中心之間的距離，將每一個對象分配給距離它最近的聚類中心， 聚類中心以及分配給它們的對象就代表一個聚類。常見應用包括：顧客分群以制定個人化行銷策略、圖像分割將影像劃分成不同區域、新聞主題分類整理新聞資訊、推薦系統為使用者推薦內容或商品，以及影像壓縮以減小圖像檔案大小等。
非監督 階層式分群法（hierarchical clustering）透過一種階層架構的方式，將資料層層反覆地進行分裂或聚合，以產生最後的樹狀結構，常見的方式有兩種： 如果採用聚合的方式，階層式分群法可由樹狀結構的底部開始，將資料或群聚逐次合併 如果採用分裂的方式，則由樹狀結構的頂端開始，將群聚逐次分裂。病人特徵分析：利用血壓、血糖、BMI、膽固醇等指標，將病人分群，協助醫師進行早期預防、基因表達數據：找出疾病相關基因群或分型。市場行銷「高價值顧客」「價格敏感顧客」「忠誠顧客」等、體育與運動科學球員表現分析：「得分型」「組織型」「防守型」等角色，幫助教練制定策略。 學習單解答
《下一步，AI。NEXT，愛》 生成對抗網路 (台大電機李宏毅)
自回歸模型？「自回歸」（autoregressive）的意思是：下一個輸出，取決於之前的輸入和已生成的輸出。
Page updated
Report abuse