用英文解釋自己專業領域的概念
更新於 發佈於 閱讀時間約 5 分鐘
我自己私下會追蹤科技相關主題的自媒體
之前我在LinkedIn上看到一個我追蹤的Data Scientist (資料科學家) 提到關於AI的兩個專有名詞
她想跟大家解釋這兩個大家容易搞混的專有名詞概念有甚麼不同
我滿喜歡她解釋的方式，條理很清楚
很快可以理解想表達甚麼
底下我來拆解她用到的英文架構＆句型
歡迎你模仿起來~
① 定義不同專有名詞/概念
🔑 某專有名詞/概念 is about…, while 另一個專有名詞/概念 refers to…
某專有名詞/某概念是指關於…，而另一個專有名詞/概念指的則是…
帶入原文內容，作者想要解釋兩個跟AI有關的名詞有甚麼不同：
🎈 Applied AI is about the use of ML and other AI techniques to solve real-world problems, while industrializing ML refers to the process of making machine learning scalable and reliable enough to be used in production environments.
應用人工智慧是指關於利用機器學習和其他人工智慧技術來解決實際問題，而工業化機器學習指的則是使機器學習能夠規模化和足夠可靠，以在生產環境中使用的過程。
② 指出不同專有名詞概念各自應用在哪些地方
🔑 某專有名詞/某概念 focuses on 哪些地方
某專有名詞/某概念聚焦在/著眼於…
🔑 On the other hand, 另一個專有名詞/某概念 focuses on 哪些地方
另一方面來說，另一個專有名詞/某概念聚焦在/著眼於…
帶入原文內容：
🎈 Applied AI focuses on more specific use cases in life.
應用人工智慧聚焦在/著眼於生活中更具體的應用例子。
🎈 On the other hand, industrializing ML "focuses on" general processes.
另一方面來說，工業化機器學習聚焦在/著眼於一般性的流程。
換我模仿練習剛剛學到的句型
我想到這幾年對於理工科背景的人來說，
Machine Learning (機器學習) 跟 Data Science (資料學習) 都是很熱門的職涯領域選擇
但這兩個領域其實有時候大家會搞混
所以我可以用剛剛學到架構來解釋一下兩者的不同：
① 定義不同專有名詞/概念
👉 Machine Learning is about developing algorithms and models that empower computer systems to learn and enhance performance through experience, while Data Science refers to the comprehensive process of processing and gaining insights from data.
機器學習是指關於開發能使電腦系統透過經驗學習並提升效能的演算法和模型，而資料科學指的則是對資料進行全面性處理分析，並從中獲取洞見的過程。
② 指出不同專有名詞/概念各自應用在哪些地方
👉 Machine Learning focuses on the specialized field of algorithmic learning.
機器學習專注於演算法學習的專業領域。
👉 On the other hand, Data Science focuses on extracting meaningful information from data to support decision-making.
另一方面來說，資料科學則聚焦在從資料中提取出有意義的資訊，以支持決策制定。
分享完畢！
希望你喜歡囉~
🌏 歡迎免費訂閱我的七點半學英文電子報：
我會在每周五早上七點半把整理好的文章精華、重點整理圖卡，還有延伸學習材料送到你的信箱。
電子報訂閱連結： 👉 https://astounding-producer-2828.ck.page
(訂閱完記得去你的信箱做二次確認才會真的訂閱成功~)
🌏 追蹤我的臉書看最新文章：👉 https://lihi2.cc/kmbXu
🌏 想看更多內容，歡迎你收聽/收看我的節目理科生聊英文！
🎈 追蹤我的 Youtube "凱茜女孩 Cathy Girl"
👉 https://www.youtube.com/@cathygirl2763
🎈 訂閱我的 Podcast "理科生聊英文"
👉 https://lihi3.com/viRU7
134會員
181內容數
留言0
查看全部
你可能也想看
Google News 追蹤
嘿，大家新年快樂~ 新年大家都在做什麼呢？
跨年夜的我趕工製作某個外包設計案，在工作告一段落時趕上倒數。
然後和兩個小孩過了一個忙亂的元旦。在深夜時刻，看到朋友傳來的解籤網站，興致勃勃熬夜體驗了一下，覺得非常好玩，或許有人玩過了，但還是想寫上來分享紀錄一下~
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
總結一下目前有的素材：
AI說書 - 從0開始 - 103：資料集載入
AI說書 - 從0開始 - 104：定義資料清洗的函數
AI說書 - 從0開始 - 105
數據分析與解讀
隨著數據的爆炸式增長，能夠分析、解讀和應用數據的能力變得至關重要。這包括熟悉數據分析工具和技術，如統計學、數據挖掘、機器學習等。然而，僅靠短時間的數據分析並不足以提供深入見解。
要熟悉數據分析工具和技術，如統計學、數據挖掘和機器學習，可以從以下幾個方面入手：
基礎知識的學習
產品經理想做 AI 產品要懂哪些基本名詞？這篇整理我過往參與 AI 自傳生成時，和 NLP 工程師有討論到的概念，AI 應用目前還尚未普及，未來我會再陸續整理不同功能或產業需要知道的 AI 基礎知識。
本文要探討AI的任務與實戰場景。AI技術已深入生活各層面，從違約預測到都市交通管理。AI任務主要有三類：數值型資料處理、自然語言處理（NLP）和電腦影像辨識。時間序列資料和強化學習方法（如AlphaGo）也引起廣泛關注。AI演算法和方法因應不同學派和技術發展而多樣化，了解這些基礎有助選擇適合研究方向
本文談及資料科學的領域與分工。首先是建造一個AI的研發流程，資料收集到 AI 模型訓練的過程，AI經歷這一切流程被創造出來並產生價值；再來本文也提及在這個領域中的各種腳色、資料工程師、數據庫工程師、資料科學家和資料分析師的各種介紹。並且強調跨領域合作的重要性。
老實說，原本的我一直認為，AI是離我很遠的東西，即使是去年的 ChatGPT 熱潮，我也只是跟著偶爾在工作中跟AI聊天激發靈感而已。不過，就在前一陣子看了《AI 世界的底層邏輯與生存法則》這本書後，我才逐漸加深使用AI的頻率，並且把「讓AI成為工作中的標配」當作讓自己能習慣的方向。
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
我們在AI說書 - 從0開始 - 28中闡述了一些AI專業者的未來發展方向，現在我們更細分：
人工智慧專家在人工智慧某一領域擁有專業知識或技能，包含微調模型、維護和支
這篇文章介紹瞭如何利用AI論文工具來提高研究生的論文閱讀效率以及寫作效率。透過Connected Papers、Scispace和Immersive Translate等AI工具，可以進行文獻回顧、段落摘要生成、Paraphrasing、APA格式生成以及論文對照翻譯
這個頻道將提供以下服務：
深入介紹各種Machine Learning技術
深入介紹各種Deep Learning技術
深入介紹各種Reinforcement Learning技術
深入介紹Probabilistic Graphical Model技術
不定時提供讀書筆記
讓我們一起在未
嘿，大家新年快樂~ 新年大家都在做什麼呢？
跨年夜的我趕工製作某個外包設計案，在工作告一段落時趕上倒數。
然後和兩個小孩過了一個忙亂的元旦。在深夜時刻，看到朋友傳來的解籤網站，興致勃勃熬夜體驗了一下，覺得非常好玩，或許有人玩過了，但還是想寫上來分享紀錄一下~
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
總結一下目前有的素材：
AI說書 - 從0開始 - 103：資料集載入
AI說書 - 從0開始 - 104：定義資料清洗的函數
AI說書 - 從0開始 - 105
數據分析與解讀
隨著數據的爆炸式增長，能夠分析、解讀和應用數據的能力變得至關重要。這包括熟悉數據分析工具和技術，如統計學、數據挖掘、機器學習等。然而，僅靠短時間的數據分析並不足以提供深入見解。
要熟悉數據分析工具和技術，如統計學、數據挖掘和機器學習，可以從以下幾個方面入手：
基礎知識的學習
產品經理想做 AI 產品要懂哪些基本名詞？這篇整理我過往參與 AI 自傳生成時，和 NLP 工程師有討論到的概念，AI 應用目前還尚未普及，未來我會再陸續整理不同功能或產業需要知道的 AI 基礎知識。
本文要探討AI的任務與實戰場景。AI技術已深入生活各層面，從違約預測到都市交通管理。AI任務主要有三類：數值型資料處理、自然語言處理（NLP）和電腦影像辨識。時間序列資料和強化學習方法（如AlphaGo）也引起廣泛關注。AI演算法和方法因應不同學派和技術發展而多樣化，了解這些基礎有助選擇適合研究方向
本文談及資料科學的領域與分工。首先是建造一個AI的研發流程，資料收集到 AI 模型訓練的過程，AI經歷這一切流程被創造出來並產生價值；再來本文也提及在這個領域中的各種腳色、資料工程師、數據庫工程師、資料科學家和資料分析師的各種介紹。並且強調跨領域合作的重要性。
老實說，原本的我一直認為，AI是離我很遠的東西，即使是去年的 ChatGPT 熱潮，我也只是跟著偶爾在工作中跟AI聊天激發靈感而已。不過，就在前一陣子看了《AI 世界的底層邏輯與生存法則》這本書後，我才逐漸加深使用AI的頻率，並且把「讓AI成為工作中的標配」當作讓自己能習慣的方向。
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
我們在AI說書 - 從0開始 - 28中闡述了一些AI專業者的未來發展方向，現在我們更細分：
人工智慧專家在人工智慧某一領域擁有專業知識或技能，包含微調模型、維護和支
這篇文章介紹瞭如何利用AI論文工具來提高研究生的論文閱讀效率以及寫作效率。透過Connected Papers、Scispace和Immersive Translate等AI工具，可以進行文獻回顧、段落摘要生成、Paraphrasing、APA格式生成以及論文對照翻譯
這個頻道將提供以下服務：
深入介紹各種Machine Learning技術
深入介紹各種Deep Learning技術
深入介紹各種Reinforcement Learning技術
深入介紹Probabilistic Graphical Model技術
不定時提供讀書筆記
讓我們一起在未