ページ3:

類型 定義
標籤是
否已知
預測目標
分類 預測類別
是
類別(例:是/否、類型A/B/C)
常見用途
預測貸款違約、分
類電子郵件
迴歸 預測數值
是
數值(連續的)
房價預測、收入預
測
叢集 資料分群 否
分群結果(無既定標籤)
客戶分群、市場細
分
3. 訓練模型
.
標籤(Feature)、模型(Label)
名稱
說明
標籤
模型要預測的「答案」,是我們希望模型學會預測的目標
例:售價是多少、顏色是哪種
「模型用來學習和做預測的「輸入資料」,通常是描述事物的屬性
特徵
例:年齡、性別、溫度、大小
ex:用資料集預測指定客戶收入範圍
姓名、收入範圍 標籤
年齡、教育程度 特徵
分割用於訓練的資料:隨機分割為訓練資料行、評估資料行
三、責任 AI 原則(Responsible AI Principles):
Microsoft 的六大原則
原則
|公平性 Fairness
包容性 Inclusiveness
常見對應概念
資料代表性、偏誤、無歧視
「輔助技術支援、無障礙設計
可靠性與安全性 Reliability & Safety 避免錯誤、結果一致性
透明度 Transparency
「解釋模型、紀錄決策原因
權責性 Accountability
有人負責、可追蹤
|隱私權與安全性 Privacy & Security
控制資料存取
四、Azure Machine Learning 平台應用:
1. 建模流程與工具使用
常考點:
○
建立模型流程(內嵌、準備資料集、 隨機分割成定型、測試
資料、定型 model、對驗證資料集評估model)

ページ4:

○ 模組選擇(例如:分割資料、評估模型)
○ 模型註冊、發佈推論API、使用設計工具/自動化 ML
° 支援 Python、R語言
°
原始資料 分割成定型、測試資料集 用測試資料集進行評估
○
發布推斷管線 使用REST端點、驗證金鑰存取Web服務
2. 效能評估
常考點:
°
混淆矩陣(使用0、1網格顯示預測和實際正負值)
○ 分析 Precision,Recall, Confusion Matrix
○
AUC、ROC 等衡量方式
五、Azure AI 服務概觀:
1. 語言服務(Language Service)
•
功能:問答、翻譯、語言偵測、情感分析、文件智慧、自訂視覺
•
常考點:
語音 VS 語言
○ 問題解答(Q&A)、實體辨識、語言識別
文件智慧服務可處理影像大小上限 50MB
2. Bot Service 與交談式 AI
功能:聊天機器人整合、Teams 支援、支援多通道
六、Azure OpenAI 相關技術與應用:
1. 生成式 AI 模型應用
.
功能:文字生成、程式碼生成、圖片生成
•
模型:GPT-3.5、GPT-4、DALL·E、Codex、Whisper
.
常考點:
○
使用場景(撰寫摘要、程式碼、圖片)
模型對應功能:DALL·E → 圖片;Codex 程式;GPT →
文字
○ GPT-3.5 Turbo 不能語音轉文字
DELL. E→文生圖、修改影像
○
GPT-4-32k→程式碼
0 內嵌文字模型 文字轉換成向量
0 GPT-3.5 生成更多樣化 token 存在懲罰(減少重複語詞)
○
GitHub Copilot延伸模組 使用 Codex 模型
七、其他主題:
1. 翻譯與語音技術
重點:語音合成、語音辨識、翻譯API使用方式與參數設定

ページ5:

2. 召回率(Recall)、精確率(Precision)
評估指標 公式
意義簡述
簡單例子說明
真實為正的樣本中,被
召回率 「TP/(TP + FN) 模型正確預測、識別出
有100張有房子的圖,模型正
確識別 80張
的比例
→ Recall = 80%
精確率 TP / (TP + FP)
模型預測為正的樣本
中,實際為正的比例
模型預測 90 張圖有房子,實際
只有80張是真的
Precision = 88.9%
3. 轉換器模型架構 一用於自然語言處理(NLP)與生成式 AI 的深度學習模型架構。它是GPT、BERT、T5 等大型語言模型的核心架構
•
編碼器+解碼器
生成式 AI 處理文字時的基礎流程:內嵌計算(Embedding) → token
化(Tokenization)→ 預測下一個 token (Next Token Prediction)
①編碼器(Encoder)
° 功能:將輸入文字轉為一系列向量(語意表示)
○
細節:將每個單詞轉換為向量(embedding)、加入位置編碼(position encoding)、
經過多層注意力與前饋網路(feedforward layer)
②注意力機制(Self-Attention)
° 功能:讓模型判斷每個詞與其他詞的語意關係
○
舉例:句子:「小明拿起書包走出門。」模型會發現「拿起」和「書包」關聯強,而
「門」和「走出」也有語意關係
③解碼器(Decoder)
0 功能:根據編碼器的向量資訊生成預測
0 應用:機器翻譯:把英文轉成中文、文本生成:GPT 生成文字、回答問題:根據知識
產生答案