左記歐洲美國台灣百年進出口商行 安永經營管理商學院 台北愛情學院 101戀愛公寓 EMBA SPA Business College 希臘愛琴海 奢華時尚 生活美學國家品質獎 國家訓練品質獎 歐洲卓越經營模式 美國卓越經營模式 PMP 雲端ERP TTQS ISO10015 英國IIP ASSTD SBIR 芳香精油療法 人力創新獎 創業輔導諮詢 TOC精實管理 MIT經營管理 全球顧問團 時尚精品綠色商城 網誌
TTQS人才發展品質管理系統TalenT Quality-management System
親愛的 TTQS 三類專業人員 您好：
感謝您參加 114年TTQS評核指標共識研習。
▌活動資訊
名稱：TTQS評核指標共識研習
生成式 AI 能夠依據輸入的資料產出新的內容，如文字、圖片、音樂和影片等
生成式 AI 則是基於機器學習採用生成模型 (Generative Model) 衍生出來的，
且生成模型會大量倚賴深度學習
人工智慧 (Artificial Intelligence)/
機器學習 (Machine Learning)
深度學習 (Deep Learning)
的關係
深度學習是機器學習的一部分，
機器學習又是人工智慧的一部分
生成式 AI 能夠依據輸入的資料 產出新的內容，
而這是因為 他能 學習資料中 的 分佈，並 透過學習 到的 分佈，產生新的結果，
而這個過程會有兩個主要部份
資料分佈的學習：
生成式 AI 會先從大量的資料中學習其分佈模式，這些資料可以是任何形式，
例如文字資料庫、圖片資料庫等。
常用的技術有
1.自回歸模型 (Autoregressive Model)、
2.自編碼器 (Autoencoder)、
3.變分自編碼器（Variational Autoencoder）和
4.生成對抗網路（Generative Adversarial Networks）等。
內容生成：
學習到資料分佈後，模型能夠從該分佈中採樣並生成新資料。
比如在文字生成中，生成式 AI 可以
根據語言模型 生成 與輸 入 文字風格相似的新句子；
在圖片生成中，AI 可以根據學習到的圖片特徵生成新的圖片。
這邊列舉幾個例子
文字生成：例如 OpenAI 的 ChatGPT、Anthropic 的 Claude 或是 Google 的 Gemini
圖片生成：例如 Midjourney、OpenAI 的 Dall·E
音樂生成：例如 Suno
影片生成：例如 OpenAI 的 Sora
機器學習是如何運作的
1、資料收集與準備
數據 是機器學習的核心。
1.1首先需要從數據庫、文件、API或其他來源收集數據。
1.2 接下來是 數據清洗，包括處理缺失值（刪除、填充或插值）、
修正異常值或錯誤數據。
數據的質量直接 影響模型 的效能，
因此 數據準備 是整個流程中 最重要 且 耗時 的 步驟之一。
2、選擇合適的演算法模型
依據 問題類型 和 數據特點 選擇合適 的 演算法 是 關鍵。
分類問題 可以使用
2.1邏輯回歸
2.2決策樹
2.3支持向量機
2.4隨機森林
2.5神經網路
回歸問題 適合
2.6 線性回歸
2.7 嶺回歸
2.8 Lasso回歸
聚類問題 可以使用
2.9 K均值
2.10 層次聚類
2.11 DBSCAN
此外，還需考慮 數據 規模 和 複雜性：
小數據集 適合 簡單模型（如決策樹或線性回歸），而
大數據集 則適合 深度學習模型（如神經網路）。
演算法選擇 直接影響 模型的 效能 和 效率。
3、開始模型訓練
模型訓練 是將 數據 輸入模型 並 調整參數
以 最小化預測誤差 的過程。
首先需要 將數據劃 分為
3.1訓練集: 用於 模型學習
3.2驗證集: 用於 超參數調整
3.3測試集 用於 最終評估
訓練過程包括
3.4 前向傳播 （生成預測）
3.5 計算損失
3.6 反向傳播（調整參數）
3.7 直到模型收斂（損失不再顯著下降）
4、模型分析評估
模型評估 的 目的 是 驗證模型 的 效能 和 泛化 能力。
常用的 效能指標 包括
分類任務中的
4.1 準確率
4.2 召回率
4.3 F1分數
4.4 AUC-ROC曲線
回歸任務中的
4.5 均方誤差（MSE）
4.6 均方根誤差（RMSE）
4.7 平均絕對誤差（MAE）
通過評估可以發現模型的不足，
例如 過擬合 或 欠擬合，並為後續優化提供方向。
5、模型優化與調參
模型優化是 提升效能 的 關鍵步驟。
超參數調整 是 核心，
可以通過
5.1網格搜尋（Grid Search）
5.2隨機搜尋（Random Search）
5.3貝葉斯優化
等方法尋 找最佳超參數組合。
正則化技術（如L1/L2正則化或Dropout）
可以 防止過擬合，而
集成學習（如投票法、Bagging或Boosting）
則 通過 組合多個模型 提高效能。
優化的目的是在 保持模型 泛化能力 的同時，
盡可能 提高 其在 測試集上 的表現。
6、模型部署與應用
模型部署 是 將 訓練好的模型 應用到 實際場景中的過程。
首先需要
將 模型 保存為 文件（如.pkl或.h5），
然後
根據需求 選擇 部署方式，
例如
6.1 本地部署（集成到應用程式中）或
6.2 雲端部署（通過API提供服務，如Flask、Django或FastAPI）。
部署後 需要
6.3 持續監控 模型效能，
6.4 檢測 數據漂移或概念漂移，並
6.5定期 重新 訓練模型
以適應新數據，確保模型在實際應用中保持 高效 和 準確。
7、持續改進
機器學習 是一個動態過程，需要
通過 回饋循環 和 A/B測試 不斷 優化 模型。
收集使用者 回饋或新數據，用於模型的持續改進。
A/B測試 可以比較不同模型版本的效能，選擇最優方案。
通過不斷 迭代Iterative Method，模型能夠適應變
化 的 環境 和 需求， 保持最佳效能。
持續改進 是 確保模型 長期有效性 的關鍵步驟。
人工智慧：簡單來說就是 讓機器擁有 人類的智慧
機器學習：從大量資料中學習，以 達到 擁有智慧的目的
深度學習：從機器學習中延伸出的一種規則方法，
然後模範 人類大腦 進一步的 去分析資料
神經網路： 神經網路 是 深度學習 的 基礎架構，
深度學習 是 神經網路
在 深度 和 複雜度 上的一種 擴展。
這種機器學習之所以稱為「深度」，是因為 包含許多層神經網路，
以及 大量複雜 且 離散 的數據。
為了實現深度學習，系統會與
多層神經網路 互動，萃取出 更高層次 的 結果。
例如，當深度學習系統 處理自然影像 並
尋找黑心金光菊（Gloriosa daisies）時，
第一層會先辨識植物，
隨著神經網路層層分析，
系統會辨識出花朵， 然後是菊科植物，
最後便是黑心金光菊。
深度學習應用的範例包括 語音辨識、影像分類 和 藥學分析。
人工神經網路（ANN）是根據 生物大腦神經元 建立的模型，
人工神經元 稱為節點，於 多層中 叢集 且 平行 運作。
人工神經元 收到 數值訊號 會進行處理，並傳訊號要求
另一個神經元進行連接。
如同人類的大腦，神經強化可以改善 模式辨識、專業知識 與 整體學習能力。
機器學習以及深度學習與神經網路，都屬於 AI的衍生領域。
AI 會分析資料 以 制定決策 和 預測。
機器學習演算法 讓 AI 不僅能處理資料，還能在
不藉助額外程式設計的情況下，
使用資料 進行 學習 並 更 精準。
發表文章
所有留言
