Top 5
Bilingual Evaluation Understudy（BLEU） 是一種自動化的評估指標，用於衡量機器翻譯（Machine Translation）或其他生成式文本與一個或多個人工參考翻譯之間的相似度123。
主要原理
BLEU 透過比較機器產生文本與參考翻譯中的 n-gram（連續
WaveNet 是由 DeepMind 研發的一種深度卷積神經網路架構，專門用於生成高品質的原始音訊波形，最初設計目標是用於文字轉語音（Text-to-Speech, TTS）系統，能產生非常自然且逼真的人聲。
主要特點與運作原理
自回歸生成模型（Autoregressive Model）
Wa
殘差神經網路（Residual Neural Network，簡稱 ResNet） 是一種深度神經網路架構，主要用於解決深層網路訓練時的「梯度消失」與「退化問題」，使得網路可以堆疊更多層數且仍能有效學習。
主要概念
殘差學習（Residual Learning）
ResNet 引入了「殘差塊（R
支持向量機（Support Vector Machine，簡稱 SVM） 是一種監督式機器學習演算法，主要用於分類和回歸任務。它的核心目標是找到一條（或多維空間中的一個超平面）最佳分隔線，將不同類別的資料點分開，並且最大化兩類之間的邊界（margin），以提升模型的泛化能力。
SVM 的主要特點：
Amazon SageMaker Model Cards 是一種用來在單一集中位置記錄機器學習模型重要資訊的工具，旨在簡化模型治理與報告流程。它提供一個結構化的格式，幫助使用者在模型的整個生命週期中（從設計、建置、訓練到評估）記錄關鍵細節，包含：
模型的訓練細節與評估結果
模型的預期用途與業務目
Amazon SageMaker Data Wrangler 是一項用於簡化和加速機器學習資料準備與特徵工程的服務，提供視覺化介面和超過300種內建的資料轉換工具，讓使用者能輕鬆進行資料清理、轉換、探索與分析，且幾乎不需撰寫程式碼。
主要功能與特色：
視覺化資料準備：提供拖拉式介面，方便進行資料
Amazon SageMaker Model Monitor 是一項全受管服務，專門用來持續監控在生產環境中部署的機器學習模型的品質與效能，並在模型表現異常或發生偏離（drift）時自動發出警示，讓使用者能及時採取修正行動。
主要功能與特色：
自動偵測模型偏離（Model Drift）與概念偏離
Amazon EventBridge 是一項無伺服器的事件總線服務，能夠實時接收、過濾並路由來自不同 AWS 服務、SaaS 應用程式或自訂應用程式的事件，並根據規則自動觸發相應的目標動作。
主要功能與特點：
事件驅動架構：EventBridge 允許您建立事件規則，當符合特定條件的事件發生時，
Amazon Kinesis Data Streams 是一項全受管、可大規模擴展且高耐用性的資料串流服務，專門用於即時擷取和處理大量串流資料。
它允許數以萬計的資料生產者（Producers）持續將資料寫入資料串流，並讓多個資料消費者（Consumers）即時讀取和處理這些資料，且能保持資料的順
問題：81
大學生正在複製生成式 AI 的內容來撰寫論文。
這種情況代表了負責任生成式 AI 的哪個挑戰？
A. 毒性
B. 幻覺
C. 抄襲
D. 隱私
答案：C
問題：82
一家公司希望建立一個聊天機器人來幫助客戶。該聊天機器人將在沒有人工干預的
Bilingual Evaluation Understudy（BLEU） 是一種自動化的評估指標，用於衡量機器翻譯（Machine Translation）或其他生成式文本與一個或多個人工參考翻譯之間的相似度123。
主要原理
BLEU 透過比較機器產生文本與參考翻譯中的 n-gram（連續
WaveNet 是由 DeepMind 研發的一種深度卷積神經網路架構，專門用於生成高品質的原始音訊波形，最初設計目標是用於文字轉語音（Text-to-Speech, TTS）系統，能產生非常自然且逼真的人聲。
主要特點與運作原理
自回歸生成模型（Autoregressive Model）
Wa
殘差神經網路（Residual Neural Network，簡稱 ResNet） 是一種深度神經網路架構，主要用於解決深層網路訓練時的「梯度消失」與「退化問題」，使得網路可以堆疊更多層數且仍能有效學習。
主要概念
殘差學習（Residual Learning）
ResNet 引入了「殘差塊（R
支持向量機（Support Vector Machine，簡稱 SVM） 是一種監督式機器學習演算法，主要用於分類和回歸任務。它的核心目標是找到一條（或多維空間中的一個超平面）最佳分隔線，將不同類別的資料點分開，並且最大化兩類之間的邊界（margin），以提升模型的泛化能力。
SVM 的主要特點：
Amazon SageMaker Model Cards 是一種用來在單一集中位置記錄機器學習模型重要資訊的工具，旨在簡化模型治理與報告流程。它提供一個結構化的格式，幫助使用者在模型的整個生命週期中（從設計、建置、訓練到評估）記錄關鍵細節，包含：
模型的訓練細節與評估結果
模型的預期用途與業務目
Amazon SageMaker Data Wrangler 是一項用於簡化和加速機器學習資料準備與特徵工程的服務，提供視覺化介面和超過300種內建的資料轉換工具，讓使用者能輕鬆進行資料清理、轉換、探索與分析，且幾乎不需撰寫程式碼。
主要功能與特色：
視覺化資料準備：提供拖拉式介面，方便進行資料
Amazon SageMaker Model Monitor 是一項全受管服務，專門用來持續監控在生產環境中部署的機器學習模型的品質與效能，並在模型表現異常或發生偏離（drift）時自動發出警示，讓使用者能及時採取修正行動。
主要功能與特色：
自動偵測模型偏離（Model Drift）與概念偏離
Amazon EventBridge 是一項無伺服器的事件總線服務，能夠實時接收、過濾並路由來自不同 AWS 服務、SaaS 應用程式或自訂應用程式的事件，並根據規則自動觸發相應的目標動作。
主要功能與特點：
事件驅動架構：EventBridge 允許您建立事件規則，當符合特定條件的事件發生時，
Amazon Kinesis Data Streams 是一項全受管、可大規模擴展且高耐用性的資料串流服務，專門用於即時擷取和處理大量串流資料。
它允許數以萬計的資料生產者（Producers）持續將資料寫入資料串流，並讓多個資料消費者（Consumers）即時讀取和處理這些資料，且能保持資料的順
問題：81
大學生正在複製生成式 AI 的內容來撰寫論文。
這種情況代表了負責任生成式 AI 的哪個挑戰？
A. 毒性
B. 幻覺
C. 抄襲
D. 隱私
答案：C
問題：82
一家公司希望建立一個聊天機器人來幫助客戶。該聊天機器人將在沒有人工干預的
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：
