<?xml version="1.0" encoding="UTF-8" ?>
<rss version="2.0">
    <channel>
      <title>KBP的AI應用規劃師筆記</title>
      <link>https://pia8628.github.io/iPAS-AI-Application-Planner-Study-Notes</link>
      <description>最近的 10 條筆記 on KBP的AI應用規劃師筆記</description>
      <generator>Quartz -- quartz.jzhao.xyz</generator>
      <item>
    <title>0. AI應用規劃師初級 名詞地圖</title>
    <link>https://pia8628.github.io/iPAS-AI-Application-Planner-Study-Notes/0.-AI%E6%87%89%E7%94%A8%E8%A6%8F%E5%8A%83%E5%B8%AB%E5%88%9D%E7%B4%9A-%E5%90%8D%E8%A9%9E%E5%9C%B0%E5%9C%96</link>
    <guid>https://pia8628.github.io/iPAS-AI-Application-Planner-Study-Notes/0.-AI%E6%87%89%E7%94%A8%E8%A6%8F%E5%8A%83%E5%B8%AB%E5%88%9D%E7%B4%9A-%E5%90%8D%E8%A9%9E%E5%9C%B0%E5%9C%96</guid>
    <description><![CDATA[ 人工智慧基本概念 AI 基礎概論 AI 發展 專家系統 1950-1980 機器學習時代 1980-2010 深度學習大數據 2010- 生成式 AI 與大模型時代 2020- (ChatGPT 於 2022 年 11 月向公眾推出) AI 治理 AI 定義 在法規框架中，AI 系統通常需要具備： 自主運行能力 透過演算法或機器學習運作 能產生決策、預測或內容 因此 傳統規則式軟體（Rule-based system）通常不被視為 AI。 台灣AI基本法草案：以機器為基礎的系統，於不同程度之自主性運作下，並在部署後可能展現適應性，能夠透過感測或輸入，產生足以影響現實或虛擬環境之預測、內容、建議... ]]></description>
    <pubDate>Mon, 16 Mar 2026 14:58:06 GMT</pubDate>
  </item><item>
    <title>APE 自動提示工程</title>
    <link>https://pia8628.github.io/iPAS-AI-Application-Planner-Study-Notes/APE-%E8%87%AA%E5%8B%95%E6%8F%90%E7%A4%BA%E5%B7%A5%E7%A8%8B</link>
    <guid>https://pia8628.github.io/iPAS-AI-Application-Planner-Study-Notes/APE-%E8%87%AA%E5%8B%95%E6%8F%90%E7%A4%BA%E5%B7%A5%E7%A8%8B</guid>
    <description><![CDATA[ 中文名稱：自動提示工程 英文名稱：Automatic Prompt Engineering 📌 定義（Definition） Automatic Prompt Engineering是一種利用 AI 自動生成與優化提示（prompt） 的方法，其核心概念是：讓模型透過搜尋或評估機制，自動產生多個候選提示，再選出表現最好的提示，以提升模型輸出品質。 ⭐原理與技術 傳統 Prompt Engineering 需要人工反覆修改提示內容，而 APE 會讓系統自動生成不同版本的 prompt，並透過測試任務結果來評估哪個提示效果最好，最後選出最佳提示。這種方法常結合 LLM 自我評估、搜尋策略或迭代優... ]]></description>
    <pubDate>Mon, 16 Mar 2026 00:00:00 GMT</pubDate>
  </item><item>
    <title>CoT思維鏈 與 ToT樹狀思維</title>
    <link>https://pia8628.github.io/iPAS-AI-Application-Planner-Study-Notes/CoT%E6%80%9D%E7%B6%AD%E9%8F%88-%E8%88%87-ToT%E6%A8%B9%E7%8B%80%E6%80%9D%E7%B6%AD</link>
    <guid>https://pia8628.github.io/iPAS-AI-Application-Planner-Study-Notes/CoT%E6%80%9D%E7%B6%AD%E9%8F%88-%E8%88%87-ToT%E6%A8%B9%E7%8B%80%E6%80%9D%E7%B6%AD</guid>
    <description><![CDATA[ 中文名稱：思維鏈、連鎖思維提示 英文名稱：Chain of Thought 中文名稱：樹狀思維 英文名稱：Tree of Thoughts 📌 定義（Definition） CoT 思維鏈：強制模型一步步推導，解決複雜計算的幻覺 ToT 樹狀思維：讓 AI 探索分支規劃；讓模型在遇到死胡同時可以自我評估並回溯尋找最佳解。 ⭐原理與技術 CoT （Chain of Thought，思維鏈） 透過提示模型「一步一步思考」，將複雜問題拆成中間推理步驟後再得出答案，能提升數學、邏輯與多步驟推理任務的正確率，也較能降低直接跳答造成的錯誤或幻覺。重點是：線性、逐步推導。 最常見的 CoT 提示方式是 f... ]]></description>
    <pubDate>Mon, 16 Mar 2026 00:00:00 GMT</pubDate>
  </item><item>
    <title>LoRA 低秩適應</title>
    <link>https://pia8628.github.io/iPAS-AI-Application-Planner-Study-Notes/LoRA-%E4%BD%8E%E7%A7%A9%E9%81%A9%E6%87%89</link>
    <guid>https://pia8628.github.io/iPAS-AI-Application-Planner-Study-Notes/LoRA-%E4%BD%8E%E7%A7%A9%E9%81%A9%E6%87%89</guid>
    <description><![CDATA[ 中文名稱：低秩適應 英文名稱：Low-rank Adaptation 📌 定義（Definition） 一種參數高效微調 PEFT 的方法，僅調整少量參數，提升效率且避免災難性遺忘。 LoRA是一種用來微調大型語言模型（LLM）或深度學習模型的技術，其核心概念是：不直接修改原始模型權重，而是額外加入小型低秩矩陣來學習新任務。這樣可以在保持原模型不變的情況下，用極少的參數完成模型調整。 ⭐原理與技術 在傳統微調（Fine-tuning）中，需要更新整個模型的權重，對於數十億參數的大模型來說成本非常高。LoRA 的做法是將權重更新矩陣分解為兩個較小的低秩矩陣（low-rank matrices）... ]]></description>
    <pubDate>Mon, 16 Mar 2026 00:00:00 GMT</pubDate>
  </item><item>
    <title>MLOps 機器學習運作</title>
    <link>https://pia8628.github.io/iPAS-AI-Application-Planner-Study-Notes/MLOps-%E6%A9%9F%E5%99%A8%E5%AD%B8%E7%BF%92%E9%81%8B%E4%BD%9C</link>
    <guid>https://pia8628.github.io/iPAS-AI-Application-Planner-Study-Notes/MLOps-%E6%A9%9F%E5%99%A8%E5%AD%B8%E7%BF%92%E9%81%8B%E4%BD%9C</guid>
    <description><![CDATA[ 中文名稱：機器學習運作 英文名稱：Machine Learning Operations 📌 定義（Definition） MLOps（Machine Learning Operations） 是一套方法與流程，用來讓機器學習模型可以穩定地被開發、部署、監控與持續更新。可以理解為把 DevOps 的概念，應用到 AI / Machine Learning。 ⭐原理與技術 典型流程 MLOps 的核心生命週期可以理解為：問題定義 → 資料工程 → 模型開發 → 模型部署 → 模型監控 → 持續改進。在這個流程中會涉及 Feature Store 管理特徵資料、Model Registry 管理... ]]></description>
    <pubDate>Mon, 16 Mar 2026 00:00:00 GMT</pubDate>
  </item><item>
    <title>TTQA 臺灣常識問答集</title>
    <link>https://pia8628.github.io/iPAS-AI-Application-Planner-Study-Notes/TTQA-%E8%87%BA%E7%81%A3%E5%B8%B8%E8%AD%98%E5%95%8F%E7%AD%94%E9%9B%86</link>
    <guid>https://pia8628.github.io/iPAS-AI-Application-Planner-Study-Notes/TTQA-%E8%87%BA%E7%81%A3%E5%B8%B8%E8%AD%98%E5%95%8F%E7%AD%94%E9%9B%86</guid>
    <description><![CDATA[ 中文名稱：臺灣常識問答集 英文名稱：Taiwanese Trivia Question Answering 📌 定義（Definition） TTQA（Taiwanese Trivia Question Answering） 是一個專門用來測試 AI 或大型語言模型的 問答資料集（QA dataset），內容主要是關於台灣文化、地理、歷史與社會常識的問題與答案。 ⭐原理與技術 TTQA 的資料結構通常是：問題 (Question) → 相關文章段落 (Context) → 正確答案 (Answer) 這樣的資料用來訓練或評估 AI 是否能：理解問題、在文章中找到答案、回答正確資訊 TTQA ... ]]></description>
    <pubDate>Mon, 16 Mar 2026 00:00:00 GMT</pubDate>
  </item><item>
    <title>特徵工程</title>
    <link>https://pia8628.github.io/iPAS-AI-Application-Planner-Study-Notes/%E7%89%B9%E5%BE%B5%E5%B7%A5%E7%A8%8B</link>
    <guid>https://pia8628.github.io/iPAS-AI-Application-Planner-Study-Notes/%E7%89%B9%E5%BE%B5%E5%B7%A5%E7%A8%8B</guid>
    <description><![CDATA[ 中文名稱：特徵工程 英文名稱：Feature Engineering 📌 定義（Definition） 特徵工程（Feature Engineering） 是指在機器學習與資料科學中，透過資料轉換、組合、選擇與降維等方法，將原始資料轉換成更有資訊價值的特徵（features），以提升模型的預測能力與訓練效率。其核心目標是讓資料更能表達問題的關鍵模式，使模型更容易學習有效規則。 ⭐原理與技術 特徵工程通常包含以下重要技術與概念： 1. ]]></description>
    <pubDate>Mon, 16 Mar 2026 00:00:00 GMT</pubDate>
  </item><item>
    <title>知識蒸餾</title>
    <link>https://pia8628.github.io/iPAS-AI-Application-Planner-Study-Notes/%E7%9F%A5%E8%AD%98%E8%92%B8%E9%A4%BE</link>
    <guid>https://pia8628.github.io/iPAS-AI-Application-Planner-Study-Notes/%E7%9F%A5%E8%AD%98%E8%92%B8%E9%A4%BE</guid>
    <description><![CDATA[ 中文名稱：知識蒸餾 英文名稱：Knowledge Distillation 📌 定義（Definition） 知識蒸餾是一種模型壓縮技術，透過讓一個大型且效能較好的模型（Teacher Model）指導一個較小的模型（Student Model）學習，使小模型在保持較高準確率的同時，擁有更低的計算成本與更快的推論速度。 ⭐原理與技術 知識蒸餾的核心思想是利用教師模型輸出的「軟標籤」（soft labels）作為訓練信號。教師模型的預測概率分布提供了類別間的隱含關聯，學生模型透過最小化與教師輸出之間的差異（通常以 Kullback–Leibler 散度衡量），學習更具泛化能力的特徵。訓練過程中... ]]></description>
    <pubDate>Mon, 16 Mar 2026 00:00:00 GMT</pubDate>
  </item><item>
    <title>One-Hot 獨熱編碼</title>
    <link>https://pia8628.github.io/iPAS-AI-Application-Planner-Study-Notes/One-Hot-%E7%8D%A8%E7%86%B1%E7%B7%A8%E7%A2%BC</link>
    <guid>https://pia8628.github.io/iPAS-AI-Application-Planner-Study-Notes/One-Hot-%E7%8D%A8%E7%86%B1%E7%B7%A8%E7%A2%BC</guid>
    <description><![CDATA[ 中文名稱：獨熱編碼 英文名稱：One-Hot Encoding 📌 定義（Definition） One-Hot Encoding 是一種將「類別資料（categorical data）」轉換成「數值向量」的編碼方式。 其核心概念是： 每個類別用一個向量表示，只有對應類別的位置為 1，其他位置全部為 0。 因此每個向量中 只有一個 1，其餘都是 0，所以稱為 One-Hot（只有一個熱點）。 ⭐原理與技術 基本範例 假設有三個類別： 貓 狗 鳥 則 One-Hot 表示為： 類別One-Hot 向量貓[1, 0, 0]狗[0, 1, 0]鳥[0, 0, 1]向量長度 = 類別數量 為什麼需要... ]]></description>
    <pubDate>Fri, 06 Mar 2026 00:00:00 GMT</pubDate>
  </item><item>
    <title>評估二元分類模型</title>
    <link>https://pia8628.github.io/iPAS-AI-Application-Planner-Study-Notes/%E8%A9%95%E4%BC%B0%E4%BA%8C%E5%85%83%E5%88%86%E9%A1%9E%E6%A8%A1%E5%9E%8B</link>
    <guid>https://pia8628.github.io/iPAS-AI-Application-Planner-Study-Notes/%E8%A9%95%E4%BC%B0%E4%BA%8C%E5%85%83%E5%88%86%E9%A1%9E%E6%A8%A1%E5%9E%8B</guid>
    <description><![CDATA[  混淆矩陣confusion matrix 視覺畫呈現分類模型性能的評估指標，記錄模型的「預測類別」和「真實類別」之間的對應關係。 ŷ：預測值，y：實際值 ŷ=0 和 y=0 : 確判為假 (True negatives, TN) ŷ=1 和 y=0 : 誤判為真 (False positives, FP)，偽陽性 ŷ=0 和 y=1 : 誤判為假 (False negatives, FN)，偽陰性 ŷ=1 和 y=1 : 確判為真 (True positives, TP) 準確率Accuracy (TN+TP) ÷ (TN+FN+FP+TP) 正確預測量/全部預測量 全部預測數中，正確預測(... ]]></description>
    <pubDate>Fri, 06 Mar 2026 00:00:00 GMT</pubDate>
  </item>
    </channel>
  </rss>