特徵工程 (Feature engineering) 特徵工程是機器學習中至關重要的一個步驟，指的是從原始數據中提取、轉換和構造出有助於模型理解和學習的特徵的過程。簡單來說，特徵工程就是將複雜多樣的原始資料轉化為數值化、標準化的特徵向量，使機器學習模型能夠更準確、高效地捕捉數據的規律和隱含信息，從而提升模型的預測性能和泛化能力。
人臉識別 (Face recognition) 人臉識別是一種生物識別技術，利用個體臉部的獨特特徵來識別和驗證身份。這項技術通過分析圖片或視頻中的人臉資訊，提取出臉部的關鍵特徵點，如眼睛、鼻子、嘴巴等，然後與先前登錄在數據庫中的臉部數據進行比對，以確定身份是否匹配。人臉識別因其非接觸性、方便快捷，已成為安全監控、身份認證、智能門禁等場景的重要技術。
專業系統 (Expert system) 專業系統是人工智慧領域中的一種智能計算機程序，旨在模擬人類專家在特定領域內的知識和推理能力，從而解決複雜的問題。它結合了專家的經驗知識與邏輯推理，能像專業人士一樣分析問題、做出判斷和提供建議。專業系統的目標是將專家豐富的知識經驗轉化為可復用的計算機智能，彌補專家短缺，促進知識的傳播與應用。
集成學習 (Ensemble learning) 集成學習是一種機器學習技術，通過將多個基礎學習器（如決策樹、支持向量機、神經網絡等）組合起來協同工作，形成一個整體的預測模型，以獲得比單一模型更高的準確性和穩定性。其核心思想是“眾人拾柴火焰高”，通過集成多個模型的力量，彌補單個模型的不足，提高預測性能和泛化能力。
折扣係數 (Discount factor) 折扣係數是數學和經濟學中用來衡量未來收益或回報值相比於當前價值的一種比例係數。它在強化學習、金融投資、計算經濟學等領域中扮演重要角色，用來將未來可能獲得的收益折算為現值，反映時間偏好和風險，幫助決策者在權衡短期與長期利益時做出合理判斷。
決策樹 (Decision tree) 決策樹是一種廣泛應用於機器學習和統計分析中的預測模型，利用樹狀結構來表達決策過程。它的結構類似一棵倒掛的樹，從根節點開始根據特徵依次對數據進行劃分，直至達到葉節點產生分類或預測結果。決策樹模型常用於分類（判定某事物屬於哪一類）與迴歸（預測連續值）任務，因其直觀、易於理解與解釋，成為人工智慧及數據挖掘中不可或缺的工具。
數據挖掘 (Data mining) 數據挖掘是一種從大量、複雜且通常是雜亂無章的數據中，透過多種統計學、機器學習、模式識別和資料庫技術，挖掘出潛在、有價值且先前未知的知識和規律的過程。數據挖掘旨在提供科學的決策支持與業務洞察，幫助企業和組織從海量數據中提取可操作的智慧，推動業務優化和創新。
交叉驗證 (Cross-validation) 交叉驗證是一種在機器學習和統計分析中常用的模型驗證技術，用於評估模型在未見過數據上的表現與泛化能力。通過將數據集分割為多個子集，交叉驗證能夠幫助減少訓練結果因為特定訓練/測試數據劃分帶來的偏差，從而更準確地估計模型的真實效能，避免過擬合或欠擬合。
卷積神經網絡 (Convolutional neural network) 卷積神經網絡是深度學習領域中最具代表性和影響力的模型之一，特別適合處理具有網格結構的數據，如圖像和視頻。它模仿生物視覺系統的信息處理方式，通過多層次的卷積運算，能夠自動從原始圖像中提取不同層次的特徵，並用於圖像分類、物體檢測、語義分割等任務。
