本篇內容對應 AI應用規劃師初級考綱：L11301/L11302/L11402，請優先理解關鍵名稱的意義
[場景]
大廚站在比賽後台，圍裙已經穿好，刀具也排得整整齊齊。這是一場全國等級的料理大賽，但他卻遲遲沒有報名。因為這場比賽，不是只有一個冠軍。
評選被分成三個組別，代表不同的業界需求：
* 外觀：擺盤是否驚艷、視覺是否吸睛、色彩是否搭配
* 口味：調味是否有層次感、味覺平衡度如何
* 成本：同樣好吃，但誰能把成本壓到最低
問題來了——
「我做出來的菜同時兼顧外觀、顧口味、又顧成本，那我到底該參加哪一組？」
這位大廚陷入了你我都熟悉的困境。
我們每天，其實都在做「分類」
大廚的困擾不在於他的廚藝好不好，而是同一道料理，在不同的分類標準下，會得到完全不同的評價。
。站在「外觀」的分類裡：
👉 醬汁線條、配色、立體感，才是重點
。站在「口味」的分類裡：
👉 食材搭配、香氣層次、回甘，才是關鍵
。站在「成本」的分類裡：
👉 原料選擇、份量控制、可複製性，才會被放大檢視
料理沒有變，變的是評分的框架。
那麼，什麼是「分類」？
分類，就是依照某個明確標準，把事物歸到「有限且離散的類別」中。
在 AI 世界裡也是一樣。
* 一封郵件，只能是「垃圾郵件」或「正常郵件」
* 一張照片，只能被判定為「貓」或「狗」
* 一個學生，只能被歸為「及格」或「不及格」
模型不是在「理解人生」，而是在回答一個被人類事先定義好的問題。
接下來，我簡單的介紹在 AI 世界中，如何將 分類、迴歸、分群、影像與文字任務 做出清楚區分：
一、最基本的「分類（Classification）」
白話版：回答「這是什麼？」或「它屬於哪一類？」
- 特點：
1. 有標準答案（有標籤）
2. 輸出的是離散類別 - 每一筆資料，只會對應一個答案
常見例子：
* 垃圾郵件 / 正常郵件
* 貓 / 狗
* 0～9 的手寫數字
二、常被搞混的「分群（Clustering）」
白話版：回答「哪些東西看起來比較相似？」
- 特點：
1. 沒有標準答案（無標籤）
2. AI 自己找出資料的相似性 - 事前通常不知道會分成幾群
常見例子：
* 客戶分群（消費習慣相近的會被分在一起）
* 新聞主題自動歸類
📌 關鍵差異：
分類是「照答案分」， 分群是「自己找規律」。
三、影像領域的進階分類（從粗到細）
1️⃣ 物件檢測（Object Detection）
白話版：回答「有沒有看到猫？在哪裡？」
- 輸出：
1. 類別(猫) + 用方框(Bounding Box)框選 - 能區分多個個體
例子：
1. 一張照片中有幾個人？他們在哪裡？
2. 每一台車的位置在哪？
2️⃣ 語義分割（Semantic Segmentation）
白話版：回答「哪一塊是什麼？」
- 概念：
* 對每個像素上色 - 不區分個體
例子：
1. 哪裡是天空、哪裡是道路
2. 兩台車重疊 → 因為都屬於「車」，所以會畫在同一塊顏色區域裡
📌 適合對象：
背景型事物（路、草地、天空）
3️⃣ 實例分割（Instance Segmentation）
白話版：一張團體照片裡，要知道哪裡有人哪裡有房子，還要分清楚「小張」在哪裡
- 概念：
* 同樣是像素分割
* 同類別但不同個體會分開
例子：
1. 車 A、車 B 會被標成不同顏色
2. 機器手臂夾取指定零件
4️⃣ 全景分割（Panoptic Segmentation）
白話版：上帝視角，一次看懂整個畫面
- 結合：
1. 語義分割（背景）
2. 實例分割（前景） - 畫面 100% 被理解(被辨識)
例子：
* 自動駕駛：
- 哪裡是草坪，哪裡是車道，能不能開車
- 辨識行人、交通號誌、車
5️⃣ 通用影像分割（Segment Anything）
白話版：「你指哪，我就切哪」
- 概念：
1. 不受限於訓練過的類別
2. 可以用點擊或提示即時分割
3. 2025 年後的主流方向
📌 核心意義：
- 分類邊界，開始變得「即時且互動」。
四、文字世界的分類（Text Classification）
白話版：判斷一段文字「在說什麼」
- 常見任務：
1. 情感分析（正面 / 負面）
2. 意圖分類（訂票 / 客訴）
3. 主題分類（政治 / 財經 / 體育）
模型方向：
* 傳統：專門訓練的分類模型（如 BERT）
* 新型：LLM 直接用提示詞做 Zero-shot 分類
總整理：
- 分類：這是什麼？
- 分群：哪些是相似的？
- 物件檢測：哪裡有東西？是什麼？
- 語義分割：這一片是什麼？
- 實例分割：這一個是誰？
- 全景分割：整個世界長怎樣？
- 文字分類：這段話在幹嘛？
課程說明
- 為方便大家學習，我將全部章節進行劃分，如圖片所示(AI-900範圍較小)。
- 同時，每當完成某一主題介紹時，我也會在圖上「插旗」，讓學習者明白自己的進度。
- 目前會以名詞介紹為主，後續會進行模型細節的探討，儘量趕在2026年3月中旬完成。
- 若需要先介紹某一主題時，請先留言，我會儘量配合。
