AI 基礎與核心原理

探索人工智能的基礎概念、機器學習與深度學習的核心邏輯。

梯度下降是一種用於尋找函數最小值的迭代優化演算法。在機器學習中，它被廣泛用於訓練模型，通過調整模型參數以最小化損失函數。想像你身處山頂，要下山，梯度下降就像是不斷朝著坡度最陡的方向走，直到到達山谷的最低點。

過擬合和欠擬合是機器學習中常見的問題。過擬合是指模型過度學習了訓練資料，導致在訓練資料上表現良好，但在新資料上表現差。欠擬合是指模型學習不足，無法捕捉資料中的基本模式，導致在訓練資料和新資料上都表現差。

損失函數是機器學習中用於衡量模型預測結果與實際結果之間差異的函數。損失函數的值越小，表示模型的預測結果越準確。選擇合適的損失函數對於訓練出高性能的機器學習模型至關重要。常見的損失函數包括均方誤差 (MSE) 和交叉熵損失 (Cross-Entropy Loss)。

機器學習是一種人工智慧的分支，它使電腦能夠從資料中學習，而無需進行明確的程式設計。透過演算法，機器學習模型可以識別模式、做出預測和改進決策。它廣泛應用於各個領域，例如推薦系統、圖像識別和自然語言處理。

激活函數是神經網路中的一個重要組成部分，它決定了神經元是否應該被激活。激活函數將神經元的輸入轉換為輸出，並引入非線性，使得神經網路能夠學習複雜的模式。常見的激活函數包括 Sigmoid、ReLU 和 Tanh。

大型語言模型（LLM）是一種透過大量語言資料訓練，能理解並生成文字的 AI 模型，是現代生成式 AI 的核心。

Token 是 AI 處理文字時的基本單位，影響模型理解方式、上下文長度與使用成本，是理解 AI 運作不可或缺的概念。