機器學習基本概念（下）
12. Transformer架構 — 人話：這是GPT和BERT的核心技術，能有效並行處理文字並理解上下文。 — 比喻：高效流水線工廠，同時處理所有零件而非一個接一個。 13. 注意力機制（Attention Mechanism） —…
機器學習基本概念（下）
機器學習基本概念（下）
三、關鍵技術與概念
- 神經網路（Neural Network）
- 人話：AI的結構模仿人腦神經元，通過多層運算提取數據特徵。
- 比喻：模仿人腦神經元的多層過濾網，層層提煉資訊。
- Transformer架構
- 人話：這是GPT和BERT的核心技術，能有效並行處理文字並理解上下文。
- 比喻：高效流水線工廠，同時處理所有零件而非一個接一個。
- 注意力機制（Attention Mechanism）
- 人話：讓AI自動聚焦數據中的重要部分，比如句子中的關鍵字。
- 比喻：閱讀時用螢光筆標重點，忽略無關內容。
- 過擬合（Overfitting）
- 人話：模型過度適應訓練數據，導致在新數據上表現不佳。
- 比喻：學生死背考古題，遇到新題型就答錯。
- 生成對抗網路（GAN, Generative Adversarial Network）
- 人話：讓兩個神經網路互相對抗，一個生成假數據，一個辨別真偽，最終訓練出能以假亂真的模型。
- 比喻：贗品畫家和鑑定師鬥智，畫家技術越來越好，鑑定師也越來越難被騙。
- 卷積神經網路（CNN, Convolutional Neural Network）
- 人話：專門處理圖像的網路結構，能自動識別局部特徵（如邊緣、紋理）。
- 比喻：用放大鏡逐塊掃描照片，拼湊出整體圖案。
- 正則化（Regularization）
- 人話：防止模型過度擬合的技術（如L2正則化、Dropout）。
- 比喻：強迫學生每天隨機忘掉一項知識，防止死背硬記。
- 長短期記憶網路（LSTM）
- 人話：能處理序列數據（如語音、文字）的神經網路，解決長期記憶依賴問題。
- 比喻：抄筆記時用不同顏色的螢光筆標註重點，隨時翻到關鍵頁面。
四、進階概念
- 遷移學習（Transfer Learning）
- 人話：將預訓練模型的知識轉移到新任務，省去從零訓練的時間。
- 比喻：學會騎腳踏車後，更容易上手騎摩托車。
- 零樣本學習（Zero-shot Learning）
- 人話：模型能直接處理未訓練過的任務，依賴預訓練的知識。
- 比喻：沒見過企鵝，但憑「鳥類＋黑白＋南極」的描述猜出答案。
- 人類反饋強化學習（RLHF）
- 人話：用人類對AI輸出的評分來調整模型的行為。
- 比喻：實習生根據主管的評價調整工作方式。
- 知識蒸餾（Knowledge Distillation）
- 人話：將大型模型的知識壓縮到小型模型，保持性能且更輕便。
- 比喻：名醫將畢生經驗寫成手冊，讓新手醫生快速學到精髓。
- 元學習（Meta-Learning）
- 人話：讓AI學會「如何學習」，快速適應新任務。
- 比喻：先教學生讀書方法，之後他自學任何科目都很快。
- 少樣本學習（Few-shot Learning）
- 人話：模型僅需少量範例就能理解新任務，突破數據量限制。
- 比喻：只看3張北極熊照片，就能從動物圖鑑中辨認出所有北極熊。
- 聯邦學習（Federated Learning）
- 人話：多台設備共同訓練模型，不共享原始數據以保護隱私。
- 比喻：醫院合作研究疾病，只交換治療經驗，不洩露病人個資。
메타데이터
- post_id
- eb56ccfffbb1
- slug
- 機器學習基本概念-下-eb56ccfffbb1
- url
- https://medium.com/@promptcase/%E6%A9%9F%E5%99%A8%E5%AD%B8%E7%BF%92%E5%9F%BA%E6%9C%AC%E6%A6%82%E5%BF%B5-%E4%B8%8B-eb56ccfffbb1
- canonical_url
- https://medium.com/@promptcase/%E6%A9%9F%E5%99%A8%E5%AD%B8%E7%BF%92%E5%9F%BA%E6%9C%AC%E6%A6%82%E5%BF%B5-%E4%B8%8B-eb56ccfffbb1
- author_url
- https://medium.com/@promptcase
- status
- ok
- fetched_at
- 2026-08-25 00:39:06