iPAS-初級AI應用規劃師-鑑別式AI與生成式AI的整合應用（上）

Mohamed Nohassi on Unsplash

機器學習：

1.邏輯迴歸（Logistic Regression）

• 概念：邏輯迴歸是一種線性分類模型，其核心是Sigmoid 函數，主要用於二元分類問題，對於非線性資料效果不佳，容易受異常值影響。
• 應用：
• • 醫療診斷（如預測病人是否患病）
  • 金融風險評估（如信用卡欺詐檢測）
  • 垃圾郵件分類

2.支持向量機（SVM, Support Vector Machine）

• 概念：是一種監督式學習（Supervised Learning）算法，適用於二元分類和多分類問題。核心概念是尋找最佳的決策邊界（超平面），以最大化類別之間的間隔（Margin），適用於高維數據，即使特徵很多也能有效分類，同時也適用非線性分類，但計算成本高。
• 應用：
• • 圖像分類（如手寫數字辨識）
  • 基因數據分類（生物訊息）

3.K近鄰演算法（KNN, K-Nearest Neighbors）

• 概念：基於距離（通常使用歐幾里得距離）尋找K個最接近的鄰居來分類，當有新數據點時，它會找出K個最接近的數據點，並採取多數決進行分類，適用非線性分類。
• 應用：
• • 推薦系統（如電影推薦）
  • 圖像分類（如手寫數字辨識）

4.決策樹（Decision Tree）

• 概念：透過條件判斷來建立樹狀結構的分類模型，類似於人類做決策的方式，進行分類或回歸，其核心是選擇最佳特徵來分割數據，但容易過擬合（overfitting）。
• 應用：
• • 醫療診斷（如腫瘤分類）
  • 客戶分群

5.隨機森林（Random Forest）

概念：多棵決策樹組成的集成學習（Ensemble Learning）方法，透過隨機抽樣來生成多棵決策樹，提高分類的準確性並減少過擬合。

• 應用：
• • 股票市場預測
  • 圖像分類

深度學習：

1.人工神經網路（ANN, Artificial Neural Network）

• 概念：人工神經網路（ANN）是模仿人腦神經元設計的模型，由輸入層（Input Layer）、隱藏層（Hidden Layer）、輸出層（Output Layer） 組成，每層之間透過權重（Weights）與啟動函數（Activation Function） 進行計算，適用於一般分類與回歸問題，但對時序數據效果不佳（無記憶能力）。
• 應用：
• • 信用評分（分類）
  • 健康診斷（醫療分類）

2.卷積神經網路（CNN, Convolutional Neural Network）

• 概念：CNN 是針對圖像與空間數據設計的神經網路，卷積層（Convolutional Layer） 透過濾波器（Filters, Kernels） 來提取特徵，池化層（Pooling Layer）透過最大池化（Max Pooling） 或平均池化（Average Pooling） 降低計算量，全連接層（Fully Connected Layer, FC）將 CNN 提取的特徵輸入 ANN 進行分類，相比 ANN 更適合處理圖像數據。
• 應用：
• • 物體識別（如自動駕駛）
  • 醫療影像分析（如X光分類）

3.循環神經網路（RNN, Recurrent Neural Network）

• 概念：RNN 專門設計用來處理序列數據（Sequential Data），如語音、文字、時間序列，核心特點是使用隱藏狀態（Hidden State）的設計，能夠記住過去的訊息並影響當前輸出。
• 應用：
• • 語音識別（如 Siri、Google Assistant）
  • 股市預測（如時間序列分析）
• 缺點：
• • 長序列時梯度消失（Vanishing Gradient）：RNN 在長序列中會因為梯度更新變小，導致模型難以記住很久之前的訊息。
  • 學習長期依賴關係困難
• 改進模型：
• • 長短期記憶網路（LSTM, Long Short-Term Memory），增加「遺忘門（Forget Gate）」來解決梯度消失問題。
  • 門控循環單元（GRU, Gated Recurrent Unit），比 LSTM 計算更快，但仍保留記憶能力。

4.Transformer

• 概念：Transformer 是目前 NLP 領域最強大的模型，與 RNN 不同，它不依賴序列計算，而是透過自注意力機制（Self-Attention） 計算每個詞與其他詞的關聯性、多頭注意力（Multi-Head Attention）學習不同特徵，來捕捉長距離依賴關係。
• 應用：
• • 自然語言處理（如 BERT）

以上資料均來自網路公開資料參考及個人想法綜合整理，因科技發展迅速，資訊不一定絕對正確，請讀者以自己的想法為主，也歡迎留言討論喔！

我是TN科技筆記，如果喜歡這篇文章，歡迎留言、點選愛心、轉發給我支持鼓勵～

也歡迎每個月請我喝杯咖啡，鼓勵我撰寫更多科技文章，一起跟著科技浪潮前進！！

>>>請我喝一杯咖啡