鑑別式AI
旨在 區分 不同 類別 或 預測 輸出 標 籤(label)。
模型 透過大量 已標註資料 學習 輸入 與 目標 之間的 對應關係，
以在給定 新 輸入 X時 預測 其 標籤。
• 訓練時以 (X, Y) 標註資料為基礎，優化出 可將 不同類別資料 分隔 的 決策函數。
• 例如分類器以虛線為決策邊界，將藍 色和綠色兩群資料點正確區隔開來。
• 鑑別式模型需仰賴充足且高品質 標註資料 進行 監督式學習，
以獲得良好分類性能。
• 在製造業中，鑑別式 AI 常用於: 瑕疵檢測 、產品分類等，
需要即時判定「是/否」、 「屬於哪一類別」的場景。
鑑別式AI發展歷程久遠，擁有眾多成 熟的 機器學習 演算法 與技術，包括:
決策樹 (Decision Tree)–
利用 樹狀結構 根據 特徵閾值 進行 資 料 劃 分，生成易解釋的規則，
並 運 用規則 進行分類。
隨機森林 (RandomForest)–
隨機森林 則是 由多棵決策樹 組成的 集成學習模型(Ensemble Learning Model)，
結果 由 多數決 或 平均 決定。提升 分類準確率 並 降 低 過度配適 風險
類神經網路 (Artificial neural network)–
多層神經網路 可學習複雜 的 非線性 關 係，用於 各類 預測 與 分類 任務。
– 其中，
卷積神經網路 (CNN) 在影像識 別中表現突出，
適用於 產品瑕疵檢測 、人臉識別 等
發表文章
