Top 5
Amazon S3 Glacier 是一項 Amazon Web Services (AWS) 提供的低成本儲存服務，專為資料封存 (Data Archival) 和長期備份而設計。它提供極具競爭力的價格，但相應的資料檢索時間會較長。
簡單來說，如果你有大量不經常存取、但需要長期保留的資料（例如：
Amazon Secrets Manager 是一項 Amazon Web Services (AWS) 提供的全受管服務，旨在幫助您輕鬆地在整個應用程式生命週期中管理、擷取和輪換資料庫憑證、API 金鑰及其他機密資訊 (Secrets)。
簡單來說，Secrets Manager 解決了在應用程
Amazon KMS (Key Management Service) 是一項 Amazon Web Services (AWS) 提供的全受管服務，它讓您可以輕鬆地建立和控制用於加密資料的加密金鑰 (Encryption Keys)。KMS 將硬體安全模組 (HSM) 和金鑰管理服務整合在一起，幫
Amazon CloudFront 是一項 Amazon Web Services (AWS) 提供的全球內容傳遞網路 (Content Delivery Network, CDN) 服務。它的主要目的是安全地加速將您的網站、影片、應用程式和其他 Web 內容傳遞給全球使用者。
簡單來說，Clou
AWS Well-Architected Tool 是一項 Amazon Web Services (AWS) 提供的服務，它能幫助您根據 AWS Well-Architected Framework 中的最佳實務來審查您的雲端工作負載架構，並提供改進建議。
這個工具的核心是 AWS Well-A
Amazon SageMaker 是一項 Amazon Web Services (AWS) 提供的全受管機器學習 (ML) 服務。它旨在幫助開發人員和資料科學家更輕鬆、更快速地構建、訓練和部署機器學習模型。
在機器學習的開發生命週期中，從資料準備到模型訓練、部署和監控，每個階段都可能涉及複雜的工
Amazon Fraud Detector 是一項 Amazon Web Services (AWS) 提供的全受管服務，旨在使用機器學習 (ML) 來識別潛在的線上詐欺活動，讓您能夠快速偵測並阻止更多詐欺，降低欺詐成本。
它利用 Amazon 內部多年的詐欺偵測經驗和機器學習技術，讓您能夠輕鬆地
Amazon Augmented AI (Amazon A2I) 是一項 Amazon Web Services (AWS) 提供的機器學習服務，旨在簡化為機器學習模型建立人工審查工作流程的過程。
它的主要目標是幫助您輕鬆地將人類智慧 (Human Intelligence) 納入機器學習工作流程
Amazon RDS (Amazon Relational Database Service) 是一項 Amazon Web Services (AWS) 提供的全受管關聯式資料庫服務。它讓您能夠在雲端中輕鬆地設定、操作和擴展關聯式資料庫。
簡單來說，如果你需要一個傳統的 SQL 資料庫（例如 M
Amazon Neptune 是一項 Amazon Web Services (AWS) 提供的全受管圖形資料庫服務 (Graph Database Service)。它專為建立和運行高度互連資料的應用程式而設計，例如社交網路、推薦引擎、詐欺偵測和知識圖譜等。
與傳統的關聯式資料庫（如 MySQL
Amazon S3 Glacier 是一項 Amazon Web Services (AWS) 提供的低成本儲存服務，專為資料封存 (Data Archival) 和長期備份而設計。它提供極具競爭力的價格，但相應的資料檢索時間會較長。
簡單來說，如果你有大量不經常存取、但需要長期保留的資料（例如：
Amazon Secrets Manager 是一項 Amazon Web Services (AWS) 提供的全受管服務，旨在幫助您輕鬆地在整個應用程式生命週期中管理、擷取和輪換資料庫憑證、API 金鑰及其他機密資訊 (Secrets)。
簡單來說，Secrets Manager 解決了在應用程
Amazon KMS (Key Management Service) 是一項 Amazon Web Services (AWS) 提供的全受管服務，它讓您可以輕鬆地建立和控制用於加密資料的加密金鑰 (Encryption Keys)。KMS 將硬體安全模組 (HSM) 和金鑰管理服務整合在一起，幫
Amazon CloudFront 是一項 Amazon Web Services (AWS) 提供的全球內容傳遞網路 (Content Delivery Network, CDN) 服務。它的主要目的是安全地加速將您的網站、影片、應用程式和其他 Web 內容傳遞給全球使用者。
簡單來說，Clou
AWS Well-Architected Tool 是一項 Amazon Web Services (AWS) 提供的服務，它能幫助您根據 AWS Well-Architected Framework 中的最佳實務來審查您的雲端工作負載架構，並提供改進建議。
這個工具的核心是 AWS Well-A
Amazon SageMaker 是一項 Amazon Web Services (AWS) 提供的全受管機器學習 (ML) 服務。它旨在幫助開發人員和資料科學家更輕鬆、更快速地構建、訓練和部署機器學習模型。
在機器學習的開發生命週期中，從資料準備到模型訓練、部署和監控，每個階段都可能涉及複雜的工
Amazon Fraud Detector 是一項 Amazon Web Services (AWS) 提供的全受管服務，旨在使用機器學習 (ML) 來識別潛在的線上詐欺活動，讓您能夠快速偵測並阻止更多詐欺，降低欺詐成本。
它利用 Amazon 內部多年的詐欺偵測經驗和機器學習技術，讓您能夠輕鬆地
Amazon Augmented AI (Amazon A2I) 是一項 Amazon Web Services (AWS) 提供的機器學習服務，旨在簡化為機器學習模型建立人工審查工作流程的過程。
它的主要目標是幫助您輕鬆地將人類智慧 (Human Intelligence) 納入機器學習工作流程
Amazon RDS (Amazon Relational Database Service) 是一項 Amazon Web Services (AWS) 提供的全受管關聯式資料庫服務。它讓您能夠在雲端中輕鬆地設定、操作和擴展關聯式資料庫。
簡單來說，如果你需要一個傳統的 SQL 資料庫（例如 M
Amazon Neptune 是一項 Amazon Web Services (AWS) 提供的全受管圖形資料庫服務 (Graph Database Service)。它專為建立和運行高度互連資料的應用程式而設計，例如社交網路、推薦引擎、詐欺偵測和知識圖譜等。
與傳統的關聯式資料庫（如 MySQL
聊天機器人（Chatbot）是一種基於程式的軟體應用程式或智慧代理，旨在模擬人類的對話，讓用戶能夠透過文字、語音或其他形式的互動來進行交流。聊天機器人的目標是理解使用者的輸入，並根據預定的規則、知識庫或機器學習模型提供相應的回應或完成特定的任務。
聊天機器人的主要目標：
模擬人類對話：使用者感覺
問答系統（Question Answering，QA）是自然語言處理（NLP）領域的一個重要，指的是一種能夠接收以自然語言提出的問題，並從給定的知識來源（例如文本集合、知識圖譜、資料庫等）中自動查找並提供準確答案的用戶系統。問答系統的目標是讓電腦能夠像與人交流一樣，直接提出問題並獲得簡潔明了的答案，
翻譯（Machine Translation，MT）是自然語言處理（NLP）的一個核心領域，是指利用電腦程式將文字或機器語言從一種自然自動翻譯產生另一種自然語言的過程。其目標是打破語言障礙，實現跨語言的訊息交流。
機器翻譯的目標：
自動化翻譯過程：用電腦取代人工翻譯，提高效率和速度。
保持語意
識別和提取文字資料中表達的情緒、或觀點。目標通常是判斷文本是表達正面（正面）、負面（負面）還是中性（中性）的情緒。
情緒分析的目標：
判斷文本的情感傾向：確定作者或說話者對特定主題、產品、服務、事件或個人的態度是正面的、負面的還是中立的。
提升情緒強度：除了情緒之外，還可以分析情緒的強度，例如
詞向量（Word Embedding），也稱詞嵌入，是自然語言處理（NLP）中非常重要的詞彙表示方法。將詞彙表中的每一個詞彙映射到一個低維、實數向量空間中，使得語意上的詞彙相似在這個向量空間中的位置也互相接近。
詞的重要性：
將符號表示轉換為數值表示：傳統的詞彙表示方法（例如one-hot編碼）
條件隨機場（Conditional Random Field，CRF）是一種判別的式機率模型，常用於序列標籤（Sequence Labeling）和格式化預測（Structured Prediction）任務中。它可以用於預測序列中每個元素的標籤，同時考慮到相鄰元素之間的依賴關係。
核心概念：
詞性標註（詞性標註，詞性標註）是自然語言處理（NLP）中的一個基礎任務，指的是為文本中的每個詞彙（通常是斷詞後的結果）分配一個對應的詞性標籤（詞性標註）的過程。這些詞性標籤標註了詞性在句子中所扮演的文法角色。
詞性的種類：
不同的詞性標註系統可以使用不同種類和數量的標籤，但常見的詞性包括：
名
詞形還原（Lemmatization）是自然語言處理（NLP）中的一個文本正規化的過程。它的目的是一個詞彙的不同形態（屈折形式）還原到其詞典中基本的形式，稱為詞元（引理）或詞幹（基本形式）。
詞形還原的目的：
統一詞彙表示：不同的詞形可能有相同的基本意義。例如，「running」、「ran」和「
斷詞（標記化）是自然處理（NLP）中的一個基本步驟，指的是一段語言文字（例如句子、段落或整個文件），切掉較小的單元，稱為單字（標記）的過程。這些術語通常是句子中的單字、標記點符號、數字或其他有意義的符號。
斷詞的重要性：
機器理解的基礎：電腦很難直接理解人類的原始文本。斷詞將文本分割成語言模型可
自然語言處理（NLP）的層次結構通常指的是語言分析的不同層面，從溝通的組成部分到更複雜的理解和應用。以下是一個常見的 NLP 層次結構的：
1. 詞彙層（Lexical Level）：
焦點：單一詞彙及其特性。
目標：分析字的形態（morphology，例如字根、導出、字尾）、詞性（part-
聊天機器人（Chatbot）是一種基於程式的軟體應用程式或智慧代理，旨在模擬人類的對話，讓用戶能夠透過文字、語音或其他形式的互動來進行交流。聊天機器人的目標是理解使用者的輸入，並根據預定的規則、知識庫或機器學習模型提供相應的回應或完成特定的任務。
聊天機器人的主要目標：
模擬人類對話：使用者感覺
問答系統（Question Answering，QA）是自然語言處理（NLP）領域的一個重要，指的是一種能夠接收以自然語言提出的問題，並從給定的知識來源（例如文本集合、知識圖譜、資料庫等）中自動查找並提供準確答案的用戶系統。問答系統的目標是讓電腦能夠像與人交流一樣，直接提出問題並獲得簡潔明了的答案，
翻譯（Machine Translation，MT）是自然語言處理（NLP）的一個核心領域，是指利用電腦程式將文字或機器語言從一種自然自動翻譯產生另一種自然語言的過程。其目標是打破語言障礙，實現跨語言的訊息交流。
機器翻譯的目標：
自動化翻譯過程：用電腦取代人工翻譯，提高效率和速度。
保持語意
識別和提取文字資料中表達的情緒、或觀點。目標通常是判斷文本是表達正面（正面）、負面（負面）還是中性（中性）的情緒。
情緒分析的目標：
判斷文本的情感傾向：確定作者或說話者對特定主題、產品、服務、事件或個人的態度是正面的、負面的還是中立的。
提升情緒強度：除了情緒之外，還可以分析情緒的強度，例如
詞向量（Word Embedding），也稱詞嵌入，是自然語言處理（NLP）中非常重要的詞彙表示方法。將詞彙表中的每一個詞彙映射到一個低維、實數向量空間中，使得語意上的詞彙相似在這個向量空間中的位置也互相接近。
詞的重要性：
將符號表示轉換為數值表示：傳統的詞彙表示方法（例如one-hot編碼）
條件隨機場（Conditional Random Field，CRF）是一種判別的式機率模型，常用於序列標籤（Sequence Labeling）和格式化預測（Structured Prediction）任務中。它可以用於預測序列中每個元素的標籤，同時考慮到相鄰元素之間的依賴關係。
核心概念：
詞性標註（詞性標註，詞性標註）是自然語言處理（NLP）中的一個基礎任務，指的是為文本中的每個詞彙（通常是斷詞後的結果）分配一個對應的詞性標籤（詞性標註）的過程。這些詞性標籤標註了詞性在句子中所扮演的文法角色。
詞性的種類：
不同的詞性標註系統可以使用不同種類和數量的標籤，但常見的詞性包括：
名
詞形還原（Lemmatization）是自然語言處理（NLP）中的一個文本正規化的過程。它的目的是一個詞彙的不同形態（屈折形式）還原到其詞典中基本的形式，稱為詞元（引理）或詞幹（基本形式）。
詞形還原的目的：
統一詞彙表示：不同的詞形可能有相同的基本意義。例如，「running」、「ran」和「
斷詞（標記化）是自然處理（NLP）中的一個基本步驟，指的是一段語言文字（例如句子、段落或整個文件），切掉較小的單元，稱為單字（標記）的過程。這些術語通常是句子中的單字、標記點符號、數字或其他有意義的符號。
斷詞的重要性：
機器理解的基礎：電腦很難直接理解人類的原始文本。斷詞將文本分割成語言模型可
自然語言處理（NLP）的層次結構通常指的是語言分析的不同層面，從溝通的組成部分到更複雜的理解和應用。以下是一個常見的 NLP 層次結構的：
1. 詞彙層（Lexical Level）：
焦點：單一詞彙及其特性。
目標：分析字的形態（morphology，例如字根、導出、字尾）、詞性（part-
CNN 中的感受野 (Receptive Field) 是指在卷積神經網路的某一層中，每個神經元（或像素）的輸出受到前一層哪些區域的輸入所影響。換句話說，它是指輸入圖像上的一個特定區域，這個區域的資訊最終會傳遞到當前層的某個特定神經元。
可以將感受野想像成一個「視野」。對於某一層的某個神經元來說，
角點偵測演算法 (Corner Detection Algorithms) 是電腦視覺中用於識別圖像中「角點」的技術。角點是指圖像中在兩個或多個方向上具有顯著強度變化的像素點，可以理解為圖像中局部區域的交叉點、尖銳的轉角或紋理的終止點。
為什麼角點偵測很重要？
角點在圖像分析中扮演著重要的角色，
擴增實境 (Augmented Reality, AR) 是一種將電腦產生的圖像、資訊或感知數據疊加到真實世界環境中的技術。與創造一個完全虛擬世界的虛擬實境 (Virtual Reality, VR) 不同，AR 的目的是增強使用者對現實世界的體驗，將虛擬元素融入真實環境中。
以下是擴增實境的一些
立體視覺 (Stereoscopic Vision) 是指生物（包括人類）通過雙眼感知三維世界的能力，也就是我們常說的「3D視覺」或「景深」。它讓我們能夠判斷物體的距離、大小和形狀，並感知空間的深度。
以下是立體視覺的主要原理：
* 雙眼視差 (Binocular Disparity)： 我們
仿射變換 (Affine Transformation) 是一種二維幾何變換，它將一個平面上的點映射到另一個平面上的點，並保持直線的「直線性」和平行線的「平行性」。簡單來說，經過仿射變換後，圖像中的所有直線仍然是直線，平行的線仍然是平行的，但長度、角度和比例可能會改變。
更正式地說，一個二維的仿射
圖像檢索 (Image Retrieval) 是指從大量的圖像集合中找到與給定的查詢相關的圖像的過程。查詢的方式有很多種，可以是：
* 基於文本的圖像檢索 (Text-based Image Retrieval, TBIR)： 使用文本關鍵字、標籤或描述來搜索相關的圖像。例如，在Google圖片
霍夫變換 (Hough Transform) 是一種在圖像處理中常用的特徵提取技術，主要用於在影像中檢測特定形狀，例如直線、圓形、橢圓等。它的主要思想是利用投票機制，將影像空間中的點轉換到參數空間中，並在參數空間中尋找累積投票數最多的點，這些點對應於原始影像中最有可能存在的形狀。
以下是霍夫變換的
光照變化 (Illumination Variation) 指的是在拍攝圖像或影片時，場景中光線的強度、方向、顏色或分布發生的改變。這些變化可能是由多種因素引起的，例如：
* 時間的變化： 隨著日出日落，自然光的光照強度和顏色會發生顯著變化。室內光線也可能因為開燈、關燈或燈光強度的調整而改變。
圖像修復 (Image Inpainting 或 Image Restoration) 是一種圖像處理技術，旨在填補圖像中遺失或損壞的區域，使其看起來更完整和自然。這個技術的目標是利用圖像中已有的資訊，合理地推斷和填充缺失的部分。
以下是關於圖像修復的一些重要方面：
* 目的： 還原圖像中由於
對抗性攻擊 (Adversarial Attack) 是指針對機器學習模型（尤其是深度學習模型）的一種攻擊方式。攻擊者通過在輸入資料中加入人類難以察覺的微小擾動，使得模型產生錯誤的輸出，即使原始資料模型可以正確分類。
以下是關於對抗性攻擊的一些關鍵點：
* 目標： 欺騙機器學習模型，使其做出錯
CNN 中的感受野 (Receptive Field) 是指在卷積神經網路的某一層中，每個神經元（或像素）的輸出受到前一層哪些區域的輸入所影響。換句話說，它是指輸入圖像上的一個特定區域，這個區域的資訊最終會傳遞到當前層的某個特定神經元。
可以將感受野想像成一個「視野」。對於某一層的某個神經元來說，
角點偵測演算法 (Corner Detection Algorithms) 是電腦視覺中用於識別圖像中「角點」的技術。角點是指圖像中在兩個或多個方向上具有顯著強度變化的像素點，可以理解為圖像中局部區域的交叉點、尖銳的轉角或紋理的終止點。
為什麼角點偵測很重要？
角點在圖像分析中扮演著重要的角色，
擴增實境 (Augmented Reality, AR) 是一種將電腦產生的圖像、資訊或感知數據疊加到真實世界環境中的技術。與創造一個完全虛擬世界的虛擬實境 (Virtual Reality, VR) 不同，AR 的目的是增強使用者對現實世界的體驗，將虛擬元素融入真實環境中。
以下是擴增實境的一些
立體視覺 (Stereoscopic Vision) 是指生物（包括人類）通過雙眼感知三維世界的能力，也就是我們常說的「3D視覺」或「景深」。它讓我們能夠判斷物體的距離、大小和形狀，並感知空間的深度。
以下是立體視覺的主要原理：
* 雙眼視差 (Binocular Disparity)： 我們
仿射變換 (Affine Transformation) 是一種二維幾何變換，它將一個平面上的點映射到另一個平面上的點，並保持直線的「直線性」和平行線的「平行性」。簡單來說，經過仿射變換後，圖像中的所有直線仍然是直線，平行的線仍然是平行的，但長度、角度和比例可能會改變。
更正式地說，一個二維的仿射
圖像檢索 (Image Retrieval) 是指從大量的圖像集合中找到與給定的查詢相關的圖像的過程。查詢的方式有很多種，可以是：
* 基於文本的圖像檢索 (Text-based Image Retrieval, TBIR)： 使用文本關鍵字、標籤或描述來搜索相關的圖像。例如，在Google圖片
霍夫變換 (Hough Transform) 是一種在圖像處理中常用的特徵提取技術，主要用於在影像中檢測特定形狀，例如直線、圓形、橢圓等。它的主要思想是利用投票機制，將影像空間中的點轉換到參數空間中，並在參數空間中尋找累積投票數最多的點，這些點對應於原始影像中最有可能存在的形狀。
以下是霍夫變換的
光照變化 (Illumination Variation) 指的是在拍攝圖像或影片時，場景中光線的強度、方向、顏色或分布發生的改變。這些變化可能是由多種因素引起的，例如：
* 時間的變化： 隨著日出日落，自然光的光照強度和顏色會發生顯著變化。室內光線也可能因為開燈、關燈或燈光強度的調整而改變。
圖像修復 (Image Inpainting 或 Image Restoration) 是一種圖像處理技術，旨在填補圖像中遺失或損壞的區域，使其看起來更完整和自然。這個技術的目標是利用圖像中已有的資訊，合理地推斷和填充缺失的部分。
以下是關於圖像修復的一些重要方面：
* 目的： 還原圖像中由於
對抗性攻擊 (Adversarial Attack) 是指針對機器學習模型（尤其是深度學習模型）的一種攻擊方式。攻擊者通過在輸入資料中加入人類難以察覺的微小擾動，使得模型產生錯誤的輸出，即使原始資料模型可以正確分類。
以下是關於對抗性攻擊的一些關鍵點：
* 目標： 欺騙機器學習模型，使其做出錯
推論統計 (Inferential Statistics) 是統計學的一個分支，它使用從樣本數據中獲得的信息來對更大的群體（或總體）做出推斷、預測或結論。與描述統計不同，推論統計的目標不僅僅是總結和描述數據，而是利用樣本來推斷總體的特性。
推論統計的核心思想：
由於在許多實際情況下，無法收集到整
敘述統計 (Descriptive Statistics) 是統計學的一個分支，旨在以簡潔的方式總結和描述數據集的特徵。它主要關注收集、組織、呈現和分析數據，但不涉及對總體進行推斷或預測。敘述統計的主要目標是提供數據的清晰概覽，使其更容易理解和解釋。
敘述統計通常包括以下幾種主要的度量和方法：
推論統計 (Inferential Statistics) 是統計學的一個分支，它使用從樣本數據中獲得的信息來對更大的群體（或總體）做出推斷、預測或結論。與描述統計不同，推論統計的目標不僅僅是總結和描述數據，而是利用樣本來推斷總體的特性。
推論統計的核心思想：
由於在許多實際情況下，無法收集到整
敘述統計 (Descriptive Statistics) 是統計學的一個分支，旨在以簡潔的方式總結和描述數據集的特徵。它主要關注收集、組織、呈現和分析數據，但不涉及對總體進行推斷或預測。敘述統計的主要目標是提供數據的清晰概覽，使其更容易理解和解釋。
敘述統計通常包括以下幾種主要的度量和方法：
