AI 術語多到一個程度，連從業者也不見得全懂。
按角色分了 11 區，直接跳區就好。
| 🐣 剛入門 | 聽過但沒搞懂的那些 |
| 💬 日常使用 | 每天在問 AI，但覺得它可以更聽話 |
| 🏢 企業導入 | 老闆問你 AI 怎麼落地，你需要這些詞 |
| 🔧 產品開發 | 在串 API、搞 RAG、或把 AI 包成產品 |
| 🛡️ 安全與倫理 | 越強的工具，越需要知道怎麼出事 |
| ⚡ 效能與成本 | 跑得動和跑得起是兩回事 |
| 🔬 訓練與學習 | 模型怎麼從白紙變成現在這樣 |
| 🧠 架構與評估 | 神經網路長什麼樣，怎麼知道學得好不好 |
| 🖼️ 圖像與多媒體 | 看圖、生圖、改圖 |
| 🗣️ 語音與語言 | 聽得懂人話、說得出人話 |
| 📊 資料分析與預測 | 有資料就能預測，不用猜 |
🐣 剛入門（20） #
| 術語 | 說明 |
|---|---|
| AI／人工智慧 | 不是機器人，是讓電腦學會「判斷」的技術。你每天在用，只是沒發現 |
| Neural Network／神經網路 | 模仿人腦神經元的數學結構，是現在幾乎所有 AI 的底層 |
| Machine Learning／機器學習 | 電腦不靠人寫規則，自己從資料裡找規律。餵越多資料，通常越聰明 |
| Parameters／參數 | 模型裡面有幾十億到幾兆個「可調整的數字」，這些數字決定它怎麼回答。參數越多，能學的東西越多。GPT-4 有超過一兆個 |
| Weights／權重 | 參數的另一個說法。兩個詞常混著用，差別在 Weights 強調的是「已經訓練好的那組數字」 |
| Compute／算力 | 跑 AI 需要的計算資源，主要靠 GPU，是 AI 軍備競賽的核心燃料 |
| Singularity／奇點 | 假設中 AI 智能超越全人類的那個時間點，有人覺得快了，有人覺得根本不會來 |
| AGI／通用人工智慧 | AI 界的終極目標：像人一樣能學任何事。現在還沒到，但大家都在衝 |
| Deep Learning／深度學習 | 機器學習的進化版，靠多層神經網路疊出來的，「深」說的是層數很多 |
| Deepfake／深偽 | AI 換臉換聲的偽造技術，真假越來越難分，已經是社會問題 |
| Scaling Laws／規模法則 | 資料越多、算力越大，模型就越聰明——這個規律目前還大致成立，但在放緩 |
| LLM／大語言模型 | ChatGPT、Claude、Gemini 背後的東西，用海量文字訓練出來的超大模型 |
| Token／標記 | AI 讀文字的最小單位，大概是半個英文字或半個中文詞，你的帳單按它計費 |
| Foundation Model／基礎模型 | 先用海量資料練出通才，再針對各種任務微調，現在大部分 AI 都是這個路數 |
| Generative AI／生成式 AI | 不只會分類，還會「創作」——寫文章、畫圖、做影片都算 |
| Hallucination／幻覺 | AI 一本正經在胡說八道。它不是在說謊，它真的「以為」自己說對了 |
| Context Window／上下文窗口 | AI 的短期記憶，決定它能「記住」多長的對話。超過就開始忘東忘西 |
| Knowledge Cutoff／知識截斷 | AI 的知識有保鮮期，截止日之後的事它一概不知，問最新消息記得搭配搜尋 |
| Open Weights／開放權重 | 模型權重公開，你可以下載來自己跑，不用付費，如 Llama |
| Proprietary Model／閉源模型 | 看不到內部，只能透過 API 付費用，如 GPT-4o、Claude、Gemini |
💬 日常使用（20） #
| 術語 | 說明 |
|---|---|
| Temperature／溫度 | 控制 AI 的「隨機程度」。調高會更有創意但不穩，調低更穩定但容易重複自己 |
| Top-p／核心採樣 | 另一種控制輸出多樣性的旋鈕，通常和 Temperature 只需要調一個 |
| Stop Sequence／停止序列 | 設定一個訊號，AI 看到就停止生成，常用於控制輸出長度 |
| Maximum Length／最大長度 | 限制 AI 回答的 token 數上限，避免它廢話連篇 |
| Zero-shot | 直接問，不給範例。適合簡單任務，複雜的通常要配合 Few-shot |
| Few-shot | 先給幾個例子讓 AI 照著做，準確率和格式一致性通常好很多 |
| In-Context Learning | AI 在對話中透過你給的例子即時學習，不需要重新訓練模型 |
| Prompt／提示詞 | 你對 AI 說的話。同樣的問題換個說法，答案可以差很多 |
| Prompt Engineering／提示工程 | 把問 AI 問題這件事變成一門學問。核心就是說清楚你要什麼 |
| System Prompt／系統提示 | 幫 AI 設定角色和規則的背景指令，通常你看不到，但它一直在影響回答 |
| Persona／人格角色 | 給 AI 一個身份，「你是一個說話很直接的產品經理」，回答風格就會變 |
| Delimiters／分隔符 | 用 ### 或 """ 把指令和內容隔開，讓 AI 不要搞混你在說什麼 |
| Negative Prompt／負面提示 | 告訴 AI「不要出現什麼」，圖像生成常用，也可以用在文字 |
| CoT／思維鏈 | 叫 AI「一步一步想」，邏輯推理能力大幅提升。加一句「Let’s think step by step」就有效 |
| Iterative Prompting | 不要期待第一次就完美，反覆調整指令像雕塑一樣把結果逼出來 |
| Meta-Prompting／元提示 | 讓 AI 幫你寫更好的 Prompt，以子之矛攻子之盾 |
| Tree of Thought／思維樹 | CoT 的進階版，讓 AI 同時探索多條推理路線，挑最好的那條走 |
| Reasoning Model／推理模型 | 會「先想清楚再回答」的模型，數學和邏輯題更強，如 o1、Claude 3.7 |
| Structured Output／結構化輸出 | 強制 AI 回傳 JSON 等固定格式，要串接系統的話幾乎必開 |
| Streaming／串流 | AI 一個字一個字吐出來，不用等全部算完才回，體感速度差很多 |
🏢 企業導入（12） #
| 術語 | 說明 |
|---|---|
| Privacy／隱私 | 你的對話資料會不會被拿去訓練？這是企業導入 AI 最常問的問題之一 |
| Benchmark／基準測試 | 用標準考題評比模型，幫你選出最適合你業務需求的那個 |
| Latency／延遲 | AI 吐出第一個字要多久，使用者感受最直接的效能指標 |
| Throughput／吞吐量 | 系統每秒能服務多少人，決定你能不能 scale |
| Knowledge Base／知識庫 | 餵給 AI 的私房資料，可以是產品手冊、內規、FAQ，AI 只從這裡找答案 |
| Human-in-the-loop | 關鍵步驟讓人類點頭才繼續，適合高風險或需要合規的場景 |
| Fine-tuning／微調 | 讓通用模型針對你的領域變成專家，不是重新訓練，而是在現有基礎上調整 |
| RAG／檢索增強生成 | 讓 AI 先查你的資料庫再回答，解決「AI 不知道公司內部資訊」的問題，企業 AI 最常見的架構 |
| Grounding／實證 | 確保 AI 的每個回答都有來源可查，不是憑空生成，降低幻覺風險 |
| Guardrails／護欄 | 過濾不該說的話，部署在輸入和輸出兩端的安全機制 |
| Local AI／本地端 AI | 模型跑在自己的機器上，不上雲，資料不出去，適合對隱私敏感的產業 |
| Agentic Workflow | 讓 AI 跑完整個流程，不只是回答問題，而是接任務、查資料、執行、交付 |
🔧 產品開發（32） #
| 術語 | 說明 |
|---|---|
| API／應用程式介面 | AI 和其他系統溝通的管道 |
| Metadata／元數據 | 文件的標籤，如日期、作者、部門，用來過濾和排序檢索結果 |
| Short-term Memory／短期記憶 | 當前對話的記錄，關掉就清空 |
| Long-term Memory／長期記憶 | 跨對話的持續記憶，通常需要外部資料庫支援 |
| Embedding／嵌入 | 把文字變成一串數字，讓電腦可以計算兩段話有多「像」，RAG 的基礎 |
| Dense Vector／稠密向量 | 把文字轉成一長串數字，每格都有值，用來捕捉語意。現在主流的嵌入格式 |
| Sparse Vector／稀疏向量 | 一長串數字但大部分是零，只有命中的關鍵字有值。精確但抓不到同義詞 |
| Similarity Score／相似度分數 | 兩段文字在向量空間的距離，越高越相關 |
| Bi-Encoder／雙編碼器 | 兩段文字各自算出向量再比距離，速度快，適合從大量資料裡初步篩選 |
| Cross-Encoder／交叉編碼器 | 把兩段文字一起餵進模型判斷相關度，比 Bi-Encoder 精準但慢很多，適合精篩 |
| Semantic Search／語義搜索 | 搜「費用」也能找到「價格」，因為它找的是語意距離，不是文字完全符合 |
| Sandboxing／沙盒 | 讓 AI 在隔離環境跑程式，出錯不影響正式系統 |
| MoE／混合專家 | 模型裡塞很多「小專家」，每次只啟動相關的幾個，GPT-4 和 Mixtral 都用這招 |
| Vector Database／向量資料庫 | 專門存 Embedding 的資料庫，Pinecone、pgvector、Weaviate、Chroma 都是 |
| Chunking／切塊 | 把長文件切成小段再存進向量庫，切太長找不準，切太短失去脈絡 |
| Document Loader／文檔加載器 | 把 PDF、Word、網頁讀進系統的工具 |
| Text Splitter／文本分割器 | 執行 Chunking 的那個元件 |
| Hybrid Search／混合搜索 | 關鍵字搜索 + 語義搜索一起用，各取優點 |
| Re-ranking／重排序 | 從向量庫撈出候選後再用精確模型篩一遍，準確率更高 |
| Chain／鏈 | 把多個 AI 動作串成線性流程 |
| Agent／智能體 | 能自主規劃下一步、調用工具、執行任務的 AI 程式 |
| Function Calling／函式調用 | 讓 AI 決定何時呼叫哪個外部函式，是 Agent 能動手做事的關鍵 |
| Tool Use／工具使用 | 讓 AI 呼叫外部工具的能力，比 Function Calling 更廣，各家都在推 |
| Action／行動 | AI 對外部世界做的具體操作，如送出 API 請求、寫入資料庫 |
| Skill／技能 | 預先定義好的功能模組，掛上去就能用 |
| Orchestration／編排 | 管理多個 AI 和工具的執行順序，像導演在排戲 |
| Graph／圖架構 | 比鏈更複雜，有分支和循環，適合處理不確定流程 |
| LoRA／低秩適配 | 現在最流行的輕量微調法，只動模型的一小部分參數，便宜又快 |
| MCP／模型上下文協議 | AI 工具整合的標準介面，像 USB 插座，Anthropic 提出，正在快速普及 |
| Multi-Agent／多智能體 | 多個 Agent 分工合作完成任務，2025 最熱的方向之一 |
| Context Engineering／上下文工程 | Prompt Engineering 的進化版。不只管「怎麼問」，而是設計 AI 看到的一切——系統提示、RAG 結果、工具描述、記憶，全部算在內 |
| Harness Engineering／駕馭工程 | 當 AI Agent 大量寫程式時，怎麼用 CI、護欄、規格文件確保品質和安全的系統化做法 |
🛡️ 安全與倫理（14） #
| 術語 | 說明 |
|---|---|
| AI Ethics／AI 倫理 | 研究 AI 的責任歸屬、公平性和社會衝擊，現在還是個很新的領域 |
| Bias／偏見 | 訓練資料有偏，模型就有偏，它可能在你沒注意到的地方歧視某些人 |
| Fairness／公平性 | 讓 AI 對所有人一視同仁，在現實中比說起來難得多 |
| Causal Inference／因果推理 | AI 很會找相關性，但相關不等於因果，這個領域在研究怎麼讓 AI 真正理解因果 |
| Adversarial Attacks／對抗性攻擊 | 對輸入做肉眼看不出的細微修改，讓 AI 做出完全錯誤的判斷 |
| Adversarial Training／對抗性訓練 | 用攻擊樣本訓練讓模型更強健，提前打預防針 |
| XAI／可解釋性 AI | 讓模型說清楚「為什麼做這個決定」，黑箱變透明 |
| Federated Learning／聯邦學習 | 資料不出門也能一起訓練模型，各方只交換學到的參數，隱私方案 |
| Trustworthy AI／可信 AI | 公平、透明、安全、可解釋這四件事都做到，才算「可信」 |
| Alignment／對齊 | 確保 AI 的目標和人類真正想要的一致，聽起來簡單但是 AI 安全研究最難的問題 |
| Red Teaming／紅隊演練 | 請專家扮演攻擊者，主動把 AI 系統的漏洞找出來 |
| Prompt Injection／提示注入 | 把惡意指令藏在輸入裡，誘導 AI 繞過限制做不該做的事 |
| Jailbreaking／越獄 | 用各種手法繞過 AI 的安全限制，讓它說出或做出不該做的事 |
| AI Watermarking／AI 浮水印 | 在 AI 生成的內容裡藏隱形標記，用來判斷是不是 AI 產的 |
⚡ 效能與成本（12） #
| 術語 | 說明 |
|---|---|
| Batch Processing／批處理 | 把多個請求打包一起送，比一個一個送更省資源 |
| Caching／緩存 | 常見問題答案先存起來，直接命中不用重算 |
| Hardware Acceleration／硬件加速 | GPU、TPU 這類專用晶片讓計算快幾十倍 |
| GPU | AI 算力的主力，NVIDIA H100 是目前最搶手的那顆 |
| Cloud Computing／雲端運算 | 彈性擴展、按用量付費，不用自己養硬體 |
| Edge Computing／邊緣計算 | 在裝置本地端算，不用往返雲端，延遲低且資料不外傳 |
| Knowledge Distillation／知識蒸餾 | 大模型的能力「蒸餾」給小模型，讓小模型也能有大模型的部分能力 |
| Pruning／修剪 | 剪掉模型裡用不到的部分，輕量化不失效能 |
| Model Compression／模型壓縮 | 量化、蒸餾、修剪的統稱，目標都是縮小模型 |
| TPU | Google 的 AI 晶片，在 Google Cloud 上用最順 |
| Quantization／量化 | 把模型精度從 32 位壓到 8 位，體積縮小、速度加快，精度略降 |
| Inference Optimization／推理優化 | 讓模型推理變快的各種工程手段 |
🔬 訓練與學習（34） #
| 術語 | 說明 |
|---|---|
| Supervised Learning／監督學習 | 給題目也給答案，讓模型學對應關係，最常見的訓練方式 |
| Unsupervised Learning／無監督學習 | 只給資料不給答案，讓模型自己找結構 |
| Reinforcement Learning／強化學習 | 靠試錯和獎懲學習，AlphaGo 就是這樣練出來的 |
| Loss Function／損失函數 | 衡量模型答錯多少的指標，訓練就是讓它越來越小 |
| Gradient Descent／梯度下降 | 沿著損失函數的斜坡往下走，找最低點就是最佳參數 |
| Learning Rate／學習率 | 每次更新參數的步伐大小，太大跳過最優解，太小學一輩子 |
| Optimization／優化 | 調整參數讓損失函數越來越小的過程 |
| Overfitting／過度擬合 | 模型把訓練集背起來了，但碰到新資料就崩，像只會背答案的學生 |
| Underfitting／欠擬合 | 模型太簡單，連訓練集都學不好 |
| Regularization／正則化 | 防止過擬合的技術，強迫模型不能死記 |
| Training Set／訓練集 | 用來訓練的資料 |
| Validation Set／驗證集 | 訓練中用來調超參數的資料，不算在訓練裡 |
| Test Set／測試集 | 訓練結束才動用，評估模型真實表現 |
| Cross-validation／交叉驗證 | 資料輪流當測試集，比單次分割更可靠地評估模型 |
| Epoch／輪次 | 把全部訓練資料看過一遍算一個 Epoch |
| Batch Size／批次大小 | 每次更新參數用幾筆資料，影響訓練速度和穩定性 |
| Hyperparameter／超參數 | 訓練前要手動設定的參數，如學習率、批次大小，調參就是在調這個 |
| Backpropagation／反向傳播 | 訓練神經網路的核心算法，從輸出誤差反推每層要調整多少 |
| Semi-Supervised Learning／半監督學習 | 少量有標籤 + 大量無標籤混著用，兩者折中 |
| Data Augmentation／資料增強 | 對現有資料做旋轉、裁切等變換，人工把訓練集放大 |
| Transfer Learning／遷移學習 | A 任務學到的知識拿來用在 B 任務，Fine-tuning 是其中一種 |
| Zero-Shot Learning／零樣本學習 | 訓練時沒見過的類別，也能認出來 |
| Domain Adaptation／領域適配 | 解決訓練環境和實際使用環境資料分布不同的問題 |
| Domain Generalization／領域泛化 | 讓模型在從沒見過的新領域也能保持水準 |
| Dropout | 訓練時隨機關掉部分神經元，逼模型不能依賴特定路徑 |
| Batch Normalization | 每一層開始算之前，先把數值調整到差不多的範圍，避免某些數字太大帶歪整個計算 |
| Meta-Learning／元學習 | 「學習如何學習」，讓模型用少量新資料快速適應新任務 |
| Few-Shot Learning／少樣本學習 | 只用幾個例子就能學會新任務，這是訓練策略不只是 Prompt 技巧 |
| Pre-training／預訓練 | 先用海量無標籤資料讓模型學語言，這個階段最貴、最耗算力 |
| Synthetic Data／合成資料 | 用 AI 生成假資料來訓練 AI，解決資料不夠的問題 |
| SFT／監督微調 | 用人類寫好的範例直接教模型，是 Fine-tuning 最基本的操作方式 |
| Instruction Tuning／指令微調 | 讓模型學會「聽指令辦事」，是 ChatGPT 從基礎模型變成對話模型的關鍵步驟 |
| RLHF／人類回饋強化學習 | 人類評分讓模型學什麼樣的回答是好的，ChatGPT 變得「好用」的關鍵 |
| DPO／直接偏好優化 | RLHF 的簡化替代方案，不需要額外訓練獎勵模型，越來越多新模型改用這個 |
🧠 架構與評估（19） #
| 術語 | 說明 |
|---|---|
| Activation Function／激活函數 | 決定神經元要不要「亮起來」的開關。沒有它，神經網路再多層也只是在做加減乘除 |
| Softmax | 把一組分數轉成「各選項的機率」，加起來剛好 100%。模型最後一步常用它來選答案 |
| Accuracy／準確率 | 答對的比例，直觀但資料不平衡時會騙人 |
| Precision／精確率 | 預測是正的裡面，真的是正的比例——「報的準不準」 |
| Recall／召回率 | 真正是正的裡面，找到了多少——「找得全不全」 |
| F1 Score | 同時考慮「報得準不準」和「找得全不全」的綜合分數，兩邊都不能太差 |
| Confusion Matrix／混淆矩陣 | 預測結果和真實結果交叉表，一眼看出哪裡出錯 |
| AUC-ROC | 衡量分類模型整體區分能力，越接近 1 越好 |
| Bayesian Network／貝葉斯網路 | 用圖把「A 會影響 B、B 會影響 C」的機率關係畫出來，擅長處理不確定的情況 |
| Autoencoder／自編碼器 | 把資料壓縮再還原，學會保留最重要的特徵 |
| RNN／循環神經網路 | 擅長序列資料，但有記憶遺忘問題，現在幾乎被 Transformer 取代 |
| LSTM／長短期記憶 | 改良版 RNN，解決了遺忘問題，曾是 NLP 主流 |
| VAE／變分自編碼器 | 學習資料的壓縮表示，可以用來生成新樣本 |
| Seq2Seq／序列到序列 | 輸入一個序列輸出另一個序列，翻譯模型的基礎架構 |
| Attention Mechanism／注意力機制 | 讓模型在處理每個詞時能「看」整個輸入並決定哪些重要，Transformer 的靈魂 |
| Transformer | 現代 AI 的核心架構，2017 年那篇論文之後，幾乎所有 LLM 都是這個底 |
| Self-Attention／自注意力 | 序列中每個位置都能直接看到其他位置，解決了 RNN 遠距離依賴的問題 |
| NAS／神經架構搜索 | 讓 AI 自動找最優網路架構，省去人工試錯 |
| Neuro-Symbolic AI | 神經網路的感知 + 符號邏輯的推理，兩種 AI 路線的合體嘗試 |
🖼️ 圖像與多媒體（18） #
| 術語 | 說明 |
|---|---|
| Computer Vision／電腦視覺 | 讓電腦「看懂」圖片和影片的技術領域 |
| CNN／卷積神經網路 | 圖像處理的主力，能自動提取空間特徵 |
| Face Detection／人臉檢測 | 找到臉在哪裡，但不認識是誰 |
| Object Detection／目標檢測 | 找到圖裡的物體並標出位置，如「左上角有一隻貓」 |
| Face Recognition／人臉識別 | 認出這張臉是誰，用於門禁、解鎖、支付 |
| GANs／生成對抗網路 | 生成器和判別器互相對抗，一個造假一個鑑假，越來越強 |
| Semantic Segmentation／語義分割 | 每個像素都分類，精確到像素級別的「哪裡是路哪裡是車」 |
| Pose Estimation／姿態估計 | 識別人體各關節的位置，用於動作捕捉、健身 AI |
| Neural Style Transfer | 把一張圖的藝術風格轉移到另一張圖上，如把照片變梵谷畫風 |
| Image Captioning | 自動幫圖片寫說明文字 |
| VQA／視覺問答 | 看圖回答問題，「這張圖裡有幾個人？」 |
| Instance Segmentation／實例分割 | 比語義分割更進一步，同類別的不同個體也能分開 |
| Video Understanding／視頻理解 | 看懂影片裡在幹嘛，理解動作、場景和時序 |
| Image Generation／圖像生成 | 從文字描述生成全新圖像，Stable Diffusion、Midjourney、DALL-E |
| Diffusion Model／擴散模型 | 現在圖像生成的主力架構，從雜訊中一步步還原出圖片，Stable Diffusion 的底層 |
| Multimodal Learning／多模態學習 | 同時處理文字、圖像、音頻的 AI，GPT-4o 就是 |
| Inpainting／局部重繪 | 指定圖片中的一塊區域讓 AI 重新生成，修圖神器 |
| ControlNet | 精確控制圖像生成的姿勢、構圖、邊緣，讓 AI 畫圖不再全靠運氣 |
🗣️ 語音與語言（13） #
| 術語 | 說明 |
|---|---|
| NLP／自然語言處理 | 讓電腦理解、生成、操作人類語言的整個技術領域 |
| Machine Translation／機器翻譯 | 自動翻譯，Google Translate、DeepL 背後的核心 |
| Speech Recognition／語音識別 | 把說的話轉成文字（STT），Whisper 是目前最強的開源模型 |
| TTS／語音合成 | 把文字變成說話聲音，現在已經很難和真人分辨 |
| POS Tagging／詞性標註 | 幫每個詞標上詞性，是很多 NLP 任務的前處理 |
| NER／命名實體識別 | 從文字裡抓出人名、地名、組織名 |
| Information Extraction／信息抽取 | 從非結構化文字裡提取結構化資訊，如關係、事件 |
| Question Answering／問答系統 | 自動回答自然語言問題 |
| Text Summarization／摘要生成 | 長文自動壓縮成重點 |
| Sentiment Analysis／情感分析 | 判斷文字是正面還是負面，客服和品牌監控常用 |
| Knowledge Graph／知識圖譜 | 用節點和邊表示概念間的關係，Google 知識卡片就是這個 |
| Word Embedding／詞嵌入 | 把詞變成向量，語意相近的詞在空間中也相近，Word2Vec 是經典 |
| Emotion Recognition／情緒識別 | 從文字、聲音或表情識別具體情緒，如喜怒哀樂 |
📊 資料分析與預測（20） #
| 術語 | 說明 |
|---|---|
| Regression／回歸 | 預測連續數值，如房價、銷售額、溫度 |
| Classification／分類 | 預測資料屬於哪個類別，如垃圾郵件判斷、客戶分群 |
| PCA／主成分分析 | 最常見的線性降維方法 |
| Dimensionality Reduction／降維 | 高維資料壓成低維，保留關鍵資訊去掉雜訊 |
| Feature Engineering／特徵工程 | 從原始資料中手動挑出對模型有用的特徵，傳統 ML 的核心技能 |
| Feature Extraction／特徵提取 | 深度學習的優勢：自動從原始資料找特徵，不用人工 |
| K-Means Clustering | 最常見的聚類算法，把資料分成 K 群 |
| Clustering／聚類 | 把相似資料自動分群，不需要預先定義類別 |
| Decision Tree／決策樹 | 像流程圖一樣的分類器，簡單直觀好解釋，也好向主管說明 |
| Time Series Analysis／時間序列分析 | 分析按時間排列的資料，找趨勢和週期 |
| Trend／趨勢 | 資料長期變化的方向 |
| Seasonality／季節性 | 資料的週期性規律，如每年同期的模式 |
| Forecasting／預測 | 根據歷史資料預測未來，如銷售預測、需求預測 |
| Collaborative Filtering／協同過濾 | 「和你相似的人也喜歡這個」，Netflix 和電商推薦背後的邏輯 |
| Content-Based Filtering／內容過濾 | 根據物品本身特徵推薦，「你喜歡動作片，所以推薦動作片」 |
| Anomaly Detection／異常檢測 | 找出不正常的資料點，用於詐騙偵測、設備監控 |
| Outlier Detection／離群值檢測 | 找出統計上偏離太遠的資料點 |
| Random Forest／隨機森林 | 很多棵決策樹投票，比單棵樹準且穩定 |
| Hybrid Recommendation／混合推薦 | 兩種推薦方式合體，取各自優點 |
| Distributed Representations | 用一組數字描述一個詞的各種特性，而不是只給它一個編號。Word2Vec 就是這個概念 |
有新詞會繼續加。