白話小辭典
🏠 新手從這裡開始 ｜ 📐 中三數學補充
這一頁怎麼用
- 讀筆記、看影片遇到不懂的詞，按
Ctrl + F（Mac 是 Cmd + F）搜尋。
- 「英文」那一欄是影片裡 Jeremy 會說的字，先認得聲音和拼法。
- 比喻不是嚴格定義，是幫你先有感覺；嚴格定義看各課筆記。
1｜寫程式的基本詞
| 詞 | 英文 | 生活比喻 | 一句話意思 | 哪裡學 |
|---|
| 程式 | code / program | 食譜 | 一步一步告訴電腦做什麼的文字 | Python 主題 0 |
| 變數 | variable | 貼了名字的盒子 | 用一個名字記住一個值，例如 lr = 0.01 | Python 主題 1 |
| 型別 | type | 盒子裡放的是什麼東西 | 整數、小數、文字、真假 | Python 主題 1 |
| 字串 | string | 一串字 | 用引號包起來的文字 "bird" | Python 主題 2 |
| 串列 | list | 排隊的人 | 有順序的一排資料，從第 0 個開始數 | Python 主題 3 |
| 字典 | dict | 通訊錄 | 用名字（鍵）查電話（值） | Python 主題 4 |
| 迴圈 | loop | 抄 10 次生字 | 同一件事重複做很多次 | Python 主題 5 |
| 函式 | function | 榨汁機 | 放東西進去（參數），出來結果（回傳值） | Python 主題 7 |
| 參數 | argument / parameter | 榨汁機放的水果 | 呼叫函式時給它的東西 | Python 主題 7 |
| 函式庫 | library | 工具箱 | 別人寫好的程式，import 進來就能用 | Python 主題 8 |
| notebook | notebook | 可以執行的筆記簿 | 一格文字、一格程式交錯，一格一格執行 | L01 |
| 儲存格 | cell | 筆記簿的一格 | 按 Shift + Enter 執行一格 | L01 |
| 錯誤訊息 | error / traceback | 老師改作業的紅字 | 看最後一行就知道錯在哪 | Python 主題 10 |
| GPU | GPU | 一大班同學同時計數 | 能同時做很多計算的晶片，訓練快幾十倍 | L01 |
| Kaggle | Kaggle | 免費的電腦教室 | 網站，有免費 GPU 可以跑 notebook | L01 |
2｜資料
| 詞 | 英文 | 生活比喻 | 一句話意思 | 哪裡學 |
|---|
| 資料集 | dataset | 一疊練習卷 | 拿來訓練模型的一大堆例子 | L01 |
| 標籤 | label | 練習卷的答案 | 每個例子的正確答案 | L01 |
| 特徵 | feature | 認人時看的地方 | 用來預測的那些欄位，例如年齡、票價 | L05 |
| 訓練集 | training set | 平時做的練習卷 | 模型拿來學的資料 | L01 |
| 驗證集 | validation set | 模擬考 | 模型沒看過、用來檢查和選模型的資料 | L01 |
| 測試集 | test set | 正式考試 | 最後只看一次，代表真正的實力 | L04 |
| 張量 | tensor | 多層的格仔紙 | 很多維的數字表格，PyTorch 的基本資料 | L03 |
| 批次 | batch | 一次改 64 份卷 | 每次一起送進模型的一小組資料 | L05 |
| 資料增強 | data augmentation | 同一題換個說法再問 | 把圖片翻轉、裁切，變出更多訓練資料 | L02 |
| 標準化 | normalization | 換成同一把尺 | (x − 平均) ÷ 標準差，見數學補充 §6 | L05 |
| One-hot | one-hot encoding | 選擇題的格子打勾 | 把「澳門／香港」變成兩欄 0 和 1 | L05 |
| 斷詞 | tokenization | 把句子剪成字卡 | 文字切成小塊再變成數字 | L04 |
| 嵌入 | embedding | 每個人一張興趣表 | 用一排數字代表一個字、一部電影或一個人 | L07 |
3｜模型與訓練
| 詞 | 英文 | 生活比喻 | 一句話意思 | 哪裡學 |
|---|
| 人工智慧 | AI | 會做聰明事的電腦 | 大範圍的名字 | — |
| 機器學習 | machine learning | 看例子學規則 | 不寫規則，給例子讓電腦自己找規則 | L01 |
| 深度學習 | deep learning | 很多層的機器學習 | 用很多層神經網路的機器學習 | L01 |
| 模型 | model | 一部有很多旋鈕的機器 | 一個有權重的函數：輸入 → 預測 | L01 |
| 權重／參數 | weights / parameters | 機器上的旋鈕 | 模型裡會被訓練調整的數字 | L01 |
| 訓練 | training / fit | 不停做練習卷再對答案 | 一直調權重，讓預測越來越準 | L01 |
| 預測 | prediction / inference | 考試作答 | 用訓練好的模型回答新題目 | L01 |
| 損失 | loss | 錯了多少分 | 預測和答案差多少，越小越好 | L01、L03 |
| 梯度 | gradient | 山坡的斜度 | 每個權重往哪邊調，損失會變小，見數學補充 §2 | L03 |
| 梯度下降 | gradient descent | 蒙眼摸著斜坡下山 | 照梯度一小步一小步調權重 | L03 |
| 學習率 | learning rate | 下山每一步的步幅 | 太小走很慢，太大會跌倒（變 nan） | L03 |
| epoch | epoch | 整疊練習卷做完一遍 | 所有訓練資料都看過一次 | L01 |
| 預訓練模型 | pretrained model | 已經學會畫畫的人 | 別人用大量資料訓練好的模型 | L01 |
| 微調 | fine-tune | 教會畫畫的人畫你的卡通 | 用你的少量資料繼續訓練預訓練模型 | L01 |
| 神經網路 | neural network | 一層層的計算站 | 很多層「乘權重、加起來、過激活函數」 | L03 |
| 激活函數 | activation function | 開關 | 讓網路能學彎曲的形狀，例如 ReLU | L03 |
| 優化器 | optimizer | 下山的方法 | 決定每一步怎麼走，例如 SGD、Adam | L05、L18 |
4｜好不好：評估
| 詞 | 英文 | 生活比喻 | 一句話意思 | 哪裡學 |
|---|
| 準確率 | accuracy | 答對幾成 | 答對數 ÷ 總題數 | L01 |
| 錯誤率 | error rate | 答錯幾成 | 1 − 準確率 | L01 |
| 指標 | metric | 成績表上的分數 | 人看的分數，用來比較模型 | L01 |
| 過擬合 | overfitting | 背答案 | 練習卷全對，換新題目就不會 | L02、L04 |
| 欠擬合 | underfitting | 根本沒學會 | 練習卷都做不好 | L04 |
| 混淆矩陣 | confusion matrix | 錯題統計表 | 看「哪一類常被當成哪一類」 | L02 |
| 超參數 | hyperparameter | 溫習計畫 | 人在訓練前決定的設定，例如學習率、epoch | L06 |
5｜IOAI 常見名詞
| 詞 | 英文 | 生活比喻 | 一句話意思 | 哪裡學 |
|---|
| 卷積 | convolution | 拿放大鏡掃過整張圖 | 小格子在圖上滑動找圖案，例如邊緣 | L08 |
| 池化 | pooling | 把照片縮細 | 每一小格取最大或平均，圖變小 | L08 |
| Dropout | dropout | 每次練習隨機請幾個隊員休息 | 讓模型不依賴某幾個神經元 | L08 |
| 注意力 | attention | 讀句子時特別看重某些字 | 每個字決定要多注意其他哪些字 | L24 |
| Transformer | transformer | — | 以注意力為核心的模型，ChatGPT 的基礎 | L24 |
| 擴散模型 | diffusion model | 從一片雪花雜訊慢慢擦出圖畫 | 學會一步步去雜訊來產生圖片 | L09 |
| 分群 | clustering | 把同學按興趣自動分組 | 沒有答案，讓電腦自己把相似的放一起 | 經典 ML §4 |
| 決策樹 | decision tree | 二十個問題遊戲 | 一連串是非題做判斷 | L06 |
| 隨機森林 | random forest | 很多人投票 | 很多棵樹各自判斷再投票 | L06 |
🏠 新手從這裡開始 ｜ 📐 中三數學補充 ｜ Python 必備知識
