什麼是 Robotics 機器人? 機器人（Robotics中的Robot）是一種能夠自主或半自主執行任務的機械裝置，通常結合機械工程、電子技術、計算機科學和人工智慧等多個學科。它可以模仿或代替人類完成各種工作，包括重複性高、危險或複雜的操作，並逐步擁有感知、決策和行動的能力。
獎勵函數 (Reward function) 獎勵函數是強化學習中的核心組件，是環境對智能體在某一狀態下執行某個動作後給出的一種即時反饋信號。它用一個標量值量化這個行動的好壞，指導智能體學習哪些行動會帶來更高的收益。獎勵函數直接影響強化學習智能體的行為策略，決定了智能體對環境的適應目標。
從人類反饋中強化學習 從人類反饋中強化學習（Reinforcement Learning from Human Feedback，簡稱RLHF）是一種結合人工智慧強化學習與人類專家反饋的機器學習方法。它通過利用人類對智能體行為的評價或指導，提升強化學習模型的效率和效果，使系統能夠更好地理解人類期望並生成更合理、更符合實際需求的決策和行動。
回歸 (Regression) 回歸是一種統計學和機器學習中的數據分析技術，旨在研究變數之間的關聯性，特別是用一個或多個自變量（獨立變數）來預測或解釋一個應變量（依賴變數）的變化。簡單來說，回歸試圖建立數學模型來描述不同變數間的關係，以便根據自變量的取值預測應變量的值。回歸廣泛應用於經濟、醫學、工程、社會科學等領域，是量化分析和預測的基本工具。
遞歸神經網絡 (Recurrent neural network) 遞歸神經網絡（RNN）是一類專門用來處理序列數據的人工神經網絡架構。與傳統的前饋神經網絡不同，RNN具有內部的記憶機制，可以把過去的資訊持續保存在隱藏層中，並將這些歷史信息與當前輸入結合起來進行計算。這使得RNN非常適合處理具有時間依賴關係或上下文關係的資料，如語言文本、音頻信號、時間序列數據等。
推理 (Reasoning) 推理是人類和智能系統利用已有的信息和知識，通過邏輯分析、歸納、演繹等方式，得出新結論或做出決策的思考過程。在人工智慧領域中，推理是賦予機器以類似人類判斷和思考能力的核心技術，使其不僅能記憶和識別數據，更能深入理解數據背後的邏輯關係和原因，從而進行智慧判斷和自主決策。
Q 學習 (Q-learning) Q學習是一種經典的強化學習算法，屬於無模型（model-free）的值迭代方法。它通過讓智能體在環境中不斷探索和試錯，自主學習在不同狀態下，選擇哪個行動能夠獲得最大累積獎勵。Q學習不需要已知環境的轉移概率和獎勵函數，只依賴與環境的互動數據進行學習，因此在複雜且信息未知的真實環境中具有強大適應性。
預處理 (Preprocessing) 預處理是指在數據分析、機器學習或人工智慧模型訓練之前，對原始數據進行一系列清理、轉換和整理操作的過程。其核心目標是提高數據質量，消除噪聲和異常，統一數據格式，從而為後續的分析和模型建構提供乾淨且結構良好的數據输入。預處理是實現準確、穩定模型的重要基礎，直接影響分析結果的可靠性和模型的泛化能力。
策略迭代 (Policy iteration) 策略迭代是強化學習和動態規劃中，求解馬爾可夫決策過程（MDP）最優策略的一種經典算法。其核心思想是通過反覆進行「策略評估」與「策略改進」兩個步驟，逐步優化決策策略，直到找到一個無法再改進的最優策略，從而實現長期累積獎勵的最大化。
