1. K-means（K 平均聚類）
- 主要概念：將資料分為 K 個群組，每群以中心點代表。
- 衍伸概念：初始中心選擇會影響結果、不適合類別資料、不耐離群值。
- 應用情境：客戶分群、市場區隔、推薦系統。
- 口訣：「K群近中心，分群憑距離」（K 群組 → 接近中心 → 算距離）。
2. 布林型（Boolean）
- 主要概念：資料僅能為「是/否、真/假、0/1」的二元格式。
- 衍伸概念：在 AI 預測中常用來分類（如是否購買）、也常做為條件判斷。
- 應用情境：問卷調查選項（是否同意）、事件觸發控制。
- 口訣：「布林兩值，真或假」
3. 標準差（Standard Deviation）
- 主要概念：衡量資料分散程度，愈大代表資料變異性愈高。
- 衍伸概念：常用於品質控制、金融風險分析。
- 應用情境：生產流程穩定度（標準差大代表波動大） 。
- 口訣：「標準差大，變化不穩；差小，數據穩定」
4. 決策樹（Decision Tree）
- 主要概念：類似邏輯流程圖，由「條件判斷 → 結果分類」組成。
- 衍伸概念：白盒模型、易解釋、易過擬合（可用隨機森林修正）。
- 應用情境：醫療分類、銀行放款風險。
- 口訣：「一路問到底，分支做決策」
5. 線性回歸（Linear Regression）
- 主要概念：預測連續變數，建模公式為 y = ax + b。
- 衍伸概念：可拓展為多元回歸、加入正則化形成 Ridge/Lasso。
- 應用情境：房價預測、銷售趨勢預估 。
- 口訣：「線性線，預測連」（連續變數用線性）
6. DBSCAN（基於密度之含噪空間聚類法）
- 主要概念：不需預先指定群數，根據密度與鄰近距離分群。
- 衍伸概念：可發現任意形狀群集，能辨識離群點。
- 應用情境：地圖群聚分析、社群偵測。
- 口訣：「密集才成群，疏遠變孤兒」
假設你要找出操場上「在聊天的人群」，
- 有人站得很近 → 是一群（朋友在聊天）
- 有人站超遠 → 可能只是路過
- 有人一個人蹲在角落 → 他是孤單的人，不屬於任何群體
這種「看距離、看密度」來分群的方法 → 就叫 DBSCAN
DBSCAN 的三大特點：- 不用指定幾群
- 能處理不規則形狀的群體
- 會自動識別孤立的資料（離群點）
7. 皮爾森積差相關（Pearson Correlation）
- 主要概念：衡量兩個變數間的線性相關程度（-1～1）。
- 衍伸概念：只適用數值變數、只抓線性非因果。
- 應用情境：年齡與薪資正相關、溫度與電費負相關。
- 口訣：「皮爾森拉線，正正負負看」
8. 主成分分析（PCA）
- 主要概念：將高維度資料轉成低維度，保留最大資訊量。
- 衍伸概念：屬資料降維技術、提高視覺化與運算效率。
- 應用情境：影像辨識前處理、基因數據分析。
- 口訣：「降維不減精，資訊換方向」
9. 隨機森林（Random Forest）
- 主要概念：眾多決策樹的集成模型，提升穩定與準確。
- 衍伸概念：可處理分類與回歸問題，降低過擬合。
- 應用情境：詐欺偵測、信用評分。
- 口訣：「森林比一棵強，投票更穩當」
10. 聚類演算法（Clustering）
- 主要概念：將資料依相似性自動分群，無需標籤。
- 衍伸概念：K-means（快但不耐雜訊）、DBSCAN（耐雜訊但需調參）、階層聚類（可視化）
- 應用情境：顧客分群、文件主題分類。
- 口訣：「不知標籤靠相似，自成一群是聚類」
11. 擴散模型（Diffusion Model）
- 主要概念：從純雜訊逐步去雜訊還原資料，常用於圖像生成。
- 衍伸概念：目前已取代 GAN 成為圖像生成主流。
- 應用情境：DALL·E 2、Midjourney 圖像生成 。
- 口訣：「從亂到美，一步一步吹回真相」
12. AR Model（自我回歸模型）
- 主要概念：用過去的自己預測未來值（如 AR(1)：Yₜ = aYₜ₋₁ + εₜ）
- 衍伸概念：常與 MA 模型組成 ARIMA 做時序預測。
- 應用情境：股價預測、銷售量走勢。
- 口訣：「過去說未來，自己當輸入」
13. AI 價值擴散（AI Value Diffusion）
- 主要概念：AI 成果需擴展到全組織、多場景、長期維運。
- 衍伸概念：包含部署、監控、優化、知識複製等步驟。
- 應用情境：企業導入客服 AI，逐步擴散至銷售、倉儲部門 。
- 口訣：「上線不是終點，擴散才見效益」
