中英術語對照

本表以台灣慣用詞為準，並在教材內統一使用。少數詞的官方譯名（國家教育研究院樂詞網）與實務用法不同，會在白話解釋裡註明，方便你搜尋。

基礎概念

中文	English	一句話白話解釋
人工智慧	artificial intelligence（AI）	讓機器表現出類似人類智慧行為的技術總稱，機器學習是其中一支。
機器學習	machine learning（ML）	讓電腦從資料中找出規律，而不是由人逐條寫規則。
深度學習	deep learning	使用很多層神經網路的機器學習，擅長影像、語音與文字。
監督式學習	supervised learning	資料附有標準答案，模型學著預測答案。
非監督式學習	unsupervised learning	資料沒有答案，讓模型自己找出結構，例如分群。
強化學習	reinforcement learning	模型透過試誤與獎勵，學會一連串決策。
分類	classification	預測類別，例如良性或惡性。
迴歸	regression	預測連續數值，例如血壓或住院費用。
分群	clustering	把相似的樣本歸成一堆；樂詞網作「聚類」。
特徵	feature	輸入模型的變數，等同統計裡的自變數。
標籤	label	資料的標準答案，例如「惡性」。
目標變數	target / response	想預測的變數，醫學統計常稱依變數或結果變數。
樣本	sample	資料中的一筆紀錄，例如一位病人。
資料集	dataset	一組用來訓練或評估模型的資料。
演算法	algorithm	解決問題的一套明確步驟。
模型	model	從資料學得、可拿來做預測的數學函式。
參數	parameter	模型在訓練中學到的數字，例如迴歸係數。
超參數	hyperparameter	訓練前由人設定的旋鈕，例如樹的深度。
預測	prediction	模型對新樣本給出的輸出。
推論	inference	在統計是「解釋與推估母體」，在深度學習常指「用訓練好的模型做預測」，注意語境。
一般化能力	generalization	模型面對沒見過的新資料仍能表現良好的能力，也常說泛化。
過擬合	overfitting	模型把訓練資料的雜訊也背起來，遇到新資料表現變差；又稱過度配適（樂詞網官方譯名）。
配適不足	underfitting	模型太簡單，連訓練資料的規律都沒抓到。
偏差	bias	模型太簡單而造成的系統性誤差；流行病學的研究偏誤是另一回事。
變異數	variance	模型對訓練資料的微小變動過度敏感的程度。
偏差—變異數取捨	bias-variance trade-off	模型越複雜偏差越小、變異數越大，需要找平衡點。
雜訊	noise	資料中與規律無關的隨機波動。

資料處理

中文	English	一句話白話解釋
資料前處理	data preprocessing	建模之前的清理、轉換與整理工作。
遺漏值	missing value	沒有被記錄到的欄位值，又稱缺值、缺失值。
插補	imputation	用合理的值（如平均數）填補遺漏值。
離群值	outlier	明顯偏離大多數資料的極端值。
標準化	standardization	把變數轉成平均 0、標準差 1（z 分數轉換）。
正規化	normalization	把變數縮放到固定範圍，常見是 0 到 1（Min-Max 縮放）。
z 分數	z-score	一個值距離平均幾個標準差。
獨熱編碼	one-hot encoding	把類別變數拆成多個 0/1 欄位，每類一欄。
類別編碼	categorical encoding	把文字類別轉成模型能讀的數字。
特徵工程	feature engineering	設計或轉換變數，讓模型更容易學到規律。
特徵縮放	feature scaling	讓各特徵處於相近尺度的處理，標準化與正規化都屬於此類。
訓練集	training set	用來讓模型學習的資料。
驗證集	validation set	用來調整超參數、比較模型的資料；樂詞網作「確認資料集」。
測試集	test set	最後一次檢驗模型表現、之前完全不碰的資料。
資料洩漏	data leakage	測試集或結果的資訊不當進入訓練，使成績虛高；同一位病人的多筆資料分落訓練與測試集也是洩漏（第 14、16 章）。
抽樣	sampling	從資料中選出一部分樣本。
分層抽樣	stratified sampling	抽樣時讓各類別比例與原資料一致。
重抽樣	resampling	對資料重複抽樣，例如自助法或過採樣、欠採樣。
類別不平衡	class imbalance	某一類樣本遠多於另一類，例如罕見疾病。
類別權重	class weight	訓練時讓少數類別的錯誤在損失中罰得較重，處理類別不平衡（Keras fit(class_weight=...)）。
分組切分	group split（GroupKFold／StratifiedGroupKFold）	以病人等「組」為單位切訓練與測試集，同一組只會在其中一邊，避免模型靠「認得這個人」得分。
下採樣	undersampling	隨機丟掉部分多數類樣本以減輕不平衡；必須在切分後、只對訓練集做。
管線	pipeline	把前處理與模型串成一條處理流程，避免資料洩漏。
資料框	DataFrame	pandas 中像試算表的二維資料表格。
陣列	array	NumPy 中存放同型別數字的多維容器。
張量	tensor	多維陣列，神經網路框架的基本資料單位。
矩陣	matrix	二維的數字表格。
向量	vector	一維的一串數字，例如一位病人的所有特徵。
降維	dimensionality reduction	用較少的變數表達原本很多變數的資訊。
維度詛咒	curse of dimensionality	特徵越多，資料在空間中越稀疏，模型越難學。
共線性	collinearity	多個特徵之間高度相關，使迴歸係數不穩定。
特徵選取	feature selection	從既有特徵中挑出有用的子集。
特徵萃取	feature extraction	由原有特徵組合出新特徵，例如主成分分析。
合成資料	synthetic data	由模型或模擬產生、統計上像真實資料但不對應任何真人的資料；仍可能洩漏隱私、繼承偏誤。
成員推論攻擊	membership inference attack	從模型推測某個人的資料是否在訓練集中，是生成模型的隱私風險之一。
差分隱私	differential privacy	在訓練或釋出資料時加入受控雜訊，使單一個人的有無對結果影響有上限的隱私保證。
模型崩塌	model collapse	反覆用模型生成的資料訓練下一代模型，原始分布的尾巴（罕見情況）逐漸消失。

模型

中文	English	一句話白話解釋
線性迴歸	linear regression	用直線（或超平面）描述特徵與連續結果的關係。
邏輯迴歸	logistic regression	用 sigmoid 把線性組合轉成機率的分類模型，又稱羅吉斯迴歸。
多項式迴歸	polynomial regression	加入特徵的平方、立方項，讓迴歸線可以彎曲。
逐步迴歸	stepwise regression	依統計準則逐步加入或移除變數的方法。
係數	coefficient	迴歸式中每個特徵前面的權重。
殘差	residual	觀測值減去預測值。
貝氏定理	Bayes' theorem	由檢驗前機率與檢驗特性推算檢驗後機率。
簡單貝氏分類器	naive Bayes classifier	假設特徵彼此條件獨立的貝氏分類器，也譯單純貝氏。
先驗機率	prior probability	看到資料前對某類別的機率估計，如盛行率；又稱事前機率。
概似	likelihood	在某類別下觀察到目前資料的可能性。
後驗機率	posterior probability	看到資料後更新的類別機率；又稱事後機率。
支援向量機	support vector machine（SVM）	找出間隔最大的分界面的分類器。
支援向量	support vector	最靠近分界面、決定邊界位置的那些樣本。
間隔	margin	分界面到最近樣本的距離。
核函數	kernel function	不用真的升到高維，就能算出高維空間相似度的函式。
決策樹	decision tree	用一連串是非題把樣本分到不同葉節點的模型。
節點	node	決策樹中的一個判斷點。
剪枝	pruning	移除決策樹中不必要的分支，以減少過擬合。
吉尼不純度	Gini impurity	衡量一個節點裡類別混雜程度的指標。
熵	entropy	衡量不確定性或混亂程度的指標。
隨機森林	random forest	由許多棵隨機化決策樹投票組成的模型。
集成學習	ensemble learning	結合多個模型的預測以提升表現。
自助聚合法	bagging	對資料重複抽樣訓練多個模型再平均，是隨機森林的基礎。
提升法	boosting	依序訓練模型，讓後面的模型專攻前面做錯的樣本。
K-平均分群	K-means clustering	反覆指定群中心、分配樣本的分群方法；又稱 K 平均數分群，本站多直接寫 K-Means。
群中心	centroid	一群樣本的平均位置。
主成分分析	principal component analysis（PCA）	找出變異最大的方向，用較少的軸表達資料。
主成分	principal component	PCA 找到的新座標軸，是原特徵的線性組合。
特徵重要性	feature importance	衡量各特徵對預測貢獻的分數。
基準模型	baseline model	拿來當比較底線的簡單模型。

評估指標

中文	English	一句話白話解釋
混淆矩陣	confusion matrix	把預測與實際結果交叉成 2×2 表，等同診斷檢驗的四格表。
真陽性	true positive（TP）	實際有病、預測有病。
偽陽性	false positive（FP）	實際沒病、預測有病。
真陰性	true negative（TN）	實際沒病、預測沒病。
偽陰性	false negative（FN）	實際有病、預測沒病，臨床上通常代價最高。
準確率	accuracy	預測正確的比例，類別不平衡時容易誤導。
敏感度	sensitivity	有病的人中被抓出來的比例，等於召回率。
特異度	specificity	沒病的人中被正確排除的比例。
召回率	recall	實際為陽性者中被找出的比例，等於敏感度。
精確率	precision	預測為陽性者中真的陽性的比例，等於陽性預測值。
陽性預測值	positive predictive value（PPV）	檢驗陽性時真的有病的機率，受盛行率影響。
陰性預測值	negative predictive value（NPV）	檢驗陰性時真的沒病的機率。
F1 分數	F1 score	精確率與召回率的調和平均。
macro-F1	macro-averaged F1	各類別 F1 的單純平均，每一類權重相同，少數類表現差會直接把它拉低。
ROC 曲線	ROC curve	畫出各分類閾值下敏感度對（1 − 特異度）的曲線。
曲線下面積	area under the curve（AUC）	ROC 曲線下的面積，醫學文獻常稱 C 統計量。
精確率—召回率曲線	precision-recall curve	各閾值下精確率與召回率的關係，適合不平衡資料。
分類閾值	classification threshold	機率超過多少就判為陽性的切點。
均方誤差	mean squared error（MSE）	預測誤差平方後的平均。
決定係數	coefficient of determination（R²）	模型解釋了多少比例的結果變異。
校準	calibration	模型給的機率是否與實際發生比例一致。
交叉驗證	cross-validation	把資料輪流切成訓練與驗證，取平均表現；樂詞網作「交叉確認」。
網格搜尋	grid search	把超參數的候選組合全部試一遍。
外部驗證	external validation	用其他機構或時期的資料檢驗模型。
可解釋性	interpretability	人能否理解模型為何做出這個預測。
配對自助法	paired bootstrap	從同一份測試集有放回重抽，兩個模型在同一批樣本上各算一次指標再相減，用來估計差值的信賴區間。

神經網路

中文	English	一句話白話解釋
類神經網路	artificial neural network（ANN）	由許多簡單運算單元連成的模型，簡稱神經網路。
神經元	neuron	對輸入做加權總和再套用活化函數的運算單元。
感知器	perceptron	最簡單的單層神經網路。
權重	weight	每條連線的重要性係數。
偏置	bias term	加在加權總和上的常數項，不要與統計偏誤混淆。
層	layer	一組同時運算的神經元。
隱藏層	hidden layer	位於輸入與輸出之間的層。
活化函數	activation function	決定神經元輸出的非線性函式；又稱激活函數、啟動函數，樂詞網作「啟動功能」。
損失函數	loss function	衡量預測與答案差多少的函數。
梯度下降	gradient descent	沿著讓損失下降最快的方向逐步調整參數。
學習率	learning rate	每一步調整參數的幅度，樂詞網作「學習速度」。
反向傳播	backpropagation	由輸出往回計算各權重梯度的方法。
前向傳播	forward propagation	輸入依序經過各層算出預測的過程。
訓練週期	epoch	完整看過一次全部訓練資料。
批次	batch	每次更新參數所使用的一小批樣本。
迭代	iteration	一次參數更新。
正則化	regularization	限制模型複雜度以降低過擬合的技巧。
Dropout	dropout	訓練時隨機關閉部分神經元以降低過擬合；又稱丟棄法，本站直接用英文 Dropout。
早停	early stopping	驗證表現不再進步就停止訓練；又稱提早停止。
卷積神經網路	convolutional neural network（CNN）	擅長處理影像、以卷積層擷取局部特徵的網路。
卷積	convolution	用一個小濾鏡在影像上逐格滑動、對應相乘再加總，擷取局部特徵；深度學習套件實際做的是互相關（cross-correlation）。
濾鏡（卷積核）	filter / kernel	卷積層裡要學的小權重方格（如 3×3），每個濾鏡偵測一種局部圖樣；勿與 SVM 的核函數混淆。
特徵圖	feature map	一個濾鏡掃過整張輸入後得到的輸出圖，數值大代表該處符合濾鏡的圖樣。
通道	channel	影像每個位置的數值個數：灰階 1、彩色 3；卷積層有幾個濾鏡就輸出幾個通道。
步幅	stride	濾鏡每次滑動的格數；步幅 2 會讓輸出長寬約減半。
填補	padding	在輸入外圍補 0，讓卷積後大小不縮水；Keras 的 "same" 為補、"valid"（預設）為不補。
池化	pooling	把特徵圖切成小格、每格取一個代表值以縮小影像，沒有要學的權重。
最大池化	max pooling	每個小格只留最大值的池化，保留最強訊號、對小幅平移較不敏感。
權重共享	weight sharing	同一個濾鏡在整張圖上重複使用，使卷積層參數量與影像大小無關。
感受野	receptive field	網路中某一格輸出「看得到」的原始輸入範圍，越深的層越大。
攤平	flatten	把多維的特徵圖排成一長串數字，以便接到全連接層。
全連接層	dense layer / fully connected layer	每個神經元都和上一層所有輸出相連的層，Keras 稱 Dense。
捷徑學習	shortcut learning	模型靠與任務無關、但在訓練資料上剛好有效的線索（如醫院、標記）做判斷，換資料來源就失靈。
資料擴增	data augmentation	訓練時對影像做不改變答案的隨機變化（翻轉、旋轉、縮放），讓小資料也能訓練；醫學影像要避免造出不存在的影像（如上下翻轉超音波）。
批次正規化	batch normalization	在網路中間把每一批的輸出重新調整成平均約 0、標準差約 1，讓深網路較好訓練；批次很小時不穩。
最佳化器	optimizer	決定每一步怎麼依梯度更新參數的方法，如 SGD、動量、Adam。
隨機梯度下降	stochastic gradient descent（SGD）	每次只用一小批資料估計梯度並更新參數的梯度下降。
動量	momentum	把過去幾步的更新方向累積起來，讓平坦方向越走越快、來回震盪互相抵消。
Adam	Adam	替每個參數各自調整步伐的最佳化器，入門常用預設 learning_rate=1e-3。
學習率排程	learning rate schedule	訓練中依規則調整學習率，例如 ReduceLROnPlateau 在卡住時減半。
回呼	callback	訓練過程中每個 epoch 自動被呼叫的工具，如早停、存最佳模型。
遷移學習	transfer learning	把在大資料（如 ImageNet）上預訓練的模型借來，用少量新資料學新任務。
預訓練模型	pretrained model	已在其他大型資料上訓練好權重的模型，可直接下載使用。
骨幹	backbone	預訓練模型中負責抽取特徵的卷積部分，接上自己的分類頭使用。
凍結	freeze	訓練時固定某些層的權重不更新（Keras：layer.trainable = False）。
特徵擷取	feature extraction	骨幹全部凍結，只把影像轉成特徵、再訓練新分類器。
微調	fine-tuning	在預訓練模型上用較少的特定資料繼續訓練；影像任務常解凍最後幾層，並用很小的學習率和新分類頭一起訓練。
Grad-CAM	gradient-weighted class activation mapping	用輸出對最後一層卷積特徵圖的梯度，畫出「哪些區域影響這次輸出」的熱圖；不代表推理正確。
健全性檢查（解釋方法）	sanity check（for saliency maps）	把模型權重換成隨機後，解釋圖應明顯改變；不變代表圖只反映影像本身。
自編碼器	autoencoder	先把輸入壓縮成少數幾個數字、再還原回原樣的網路，訓練目標是輸出等於輸入，不需要標籤。
編碼器／解碼器	encoder／decoder	自編碼器的前半（壓縮）與後半（還原）。
瓶頸	bottleneck	自編碼器中間刻意做窄的一層，逼網路只留下最重要的資訊。
潛在空間	latent space	瓶頸那幾個數字所在的空間；每個樣本在其中是一個點（潛在向量）。
重建誤差	reconstruction error	輸入和還原結果的差距（本書用均方誤差）；可當異常分數。
異常偵測	anomaly detection	只學「正常長什麼樣」，把和正常差很多的樣本標為可疑。
變分自編碼器	variational autoencoder, VAE	編碼器輸出一團機率分布而非一個點，讓潛在空間連續、可抽樣生成新樣本。
KL 散度	Kullback–Leibler divergence	衡量兩個機率分布差多遠；VAE 用它讓潛在分布接近標準常態。
生成模型	generative model	學會資料的分布，能從中抽樣產生新資料的模型。
生成對抗網路	generative adversarial network, GAN	生成器（偽造者）與鑑別器（鑑定師）互相對抗訓練的生成模型。
模式崩塌	mode collapse	GAN 的生成器只會產生少數幾種樣本，丟掉資料的多樣性。
擴散模型	diffusion model	學會把加了雜訊的樣本一步步去雜訊；生成時從純雜訊出發反覆去雜訊。

深度學習：序列與訊號

中文	English	一句話白話解釋
序列資料	sequence data	依時間（或位置）排列、順序有意義的資料，如心電圖、文字。
取樣率	sampling rate	每秒記錄幾個數字，決定訊號的時間解析度（MIT-BIH 為 360 Hz）。
一維卷積	1D convolution	濾鏡只沿時間軸滑動的卷積，Keras 為 Conv1D。
循環神經網路	recurrent neural network, RNN	一個時間點一個時間點讀序列、邊讀邊更新隱藏狀態的網路。
隱藏狀態	hidden state	RNN 讀到目前為止對序列的「記憶」摘要。
梯度消失	vanishing gradient	誤差往回傳越遠越微弱，使網路難以學到很久以前的資訊。
LSTM／GRU	long short-term memory／gated recurrent unit	加上閘門、由網路自己決定保留或寫入多少記憶的 RNN。

深度學習：文字與 Transformer

中文	English	一句話白話解釋
斷詞	tokenization	把文字切成模型處理的單位（token），再換成整數編號。
詞元	token	斷詞後的最小單位，可能是一個字、一個子詞或一個標點。
詞彙表	vocabulary	每個 token 對應一個整數編號的對照表；只能用訓練集建立。
子詞	subword	把罕見長字拆成常見片段的斷詞方式，LLM 多採用。
詞嵌入	embedding	把每個 token 換成一串可學習的數字，意思相近的字會靠近。
位置嵌入	positional embedding	加在詞嵌入上、代表「第幾個字」的向量，讓模型知道字序。
注意力（自注意力）	attention（self-attention）	每個字用 Query 比對其他字的 Key，依相關程度加權混合它們的 Value。
Query／Key／Value	query / key / value	注意力的三種向量：發問用、被比對用、被取用的內容。
多頭注意力	multi-head attention	平行做好幾組注意力，各自關注不同的關係後再合併。
Transformer	Transformer	以多頭自注意力加前饋網路、殘差連接、層正規化堆疊而成的架構。
殘差連接	residual connection	把一層的輸入直接加回輸出，避免資訊在多層加工中流失。
層正規化	layer normalization	把每個向量的數值尺度拉回穩定範圍，幫助訓練。
[CLS] 記號	classification token	句首的特殊 token，透過注意力讀整句話，分類時只看它的輸出。
預訓練	pre-training	先用大量未標註資料練一個通用任務（例如預測下一個字）。
預測下一個 token	next-token prediction	LLM 的預訓練任務：給前文，猜下一個 token。
大型語言模型	large language model（LLM）	在海量文字上預訓練的大型 Transformer，例如 ChatGPT。
幻覺	hallucination	LLM 產生通順、篤定但與事實不符的內容，例如不存在的文獻。
溫度	temperature	生成時調整 softmax 分布尖或平的參數；越高越多樣也越易離題。
資料汙染	data contamination	評估用的題目已出現在模型訓練資料中，使成績虛高。
自迴歸	autoregressive	每次只預測下一個 token、接回輸入再預測下一個的生成方式，ChatGPT 類 LLM 即是。
非自迴歸	non-autoregressive	不依序一個接一個生成，而是平行產生全部輸出；例如同時輸出整句的翻譯模型，或直接輸出各選項機率的決策模型。
前向傳遞	forward pass	輸入從第一層算到輸出層的一次計算；預測時只需前向傳遞，不做反向傳播。
期望校準誤差	expected calibration error（ECE）	把預測依信心分組，比較各組平均信心與實際答對率的差距再加權平均；越小越好。
溫度縮放	temperature scaling	把 softmax 前的分數除以一個在驗證資料上擬合的溫度，用來校正過度自信，不改變排序。
開放權重	open weights	模型參數檔公開可下載、可自架；授權條款仍要另外看。

程式與工具

中文	English	一句話白話解釋
套件	package / library	別人寫好、可直接引用的一組程式功能。
模組	module	套件中的一個程式檔或功能單元。
函式	function	把一段程式包起來、可重複呼叫的單位。
變數	variable	程式中用來存放值的名稱。
預設值	default	沒有另外指定時程式採用的值。
最佳化	optimization	找出讓目標函數最小或最大的參數。
目標函數	objective function	最佳化要最小化或最大化的函數。
迴圈	loop	重複執行一段程式。
檔案	file	儲存在電腦裡的資料單位。
資料庫	database	有結構地儲存大量資料的系統。
記憶體	memory	電腦暫時存放運算中資料的空間。
亂數種子	random seed	固定隨機過程起點，讓結果可重現。
可重現性	reproducibility	別人用相同資料與程式能得到相同結果。
筆記本	notebook	把程式、輸出與說明放在一起的互動式文件（Jupyter Notebook）。
執行環境	runtime / environment	程式執行時所依賴的軟體與套件組合。
應用程式介面	application programming interface（API）	讓程式向另一個服務要資料或功能的約定。
網頁爬蟲	web scraping	用程式自動抓取網頁內容。
巨量資料	big data	資料量、速度或種類大到傳統工具難以處理的資料，用詞需審慎。