模式識別 (Pattern recognition) 模式識別是計算機科學和人工智慧領域中研究對象自動分類和辨認的一門技術。它旨在讓計算機自動識別對象的本質特徵，並根據這些特徵將對象分類到預先定義的類別中。模式識別的對象可以是文字、聲音、圖像、符號，也可以是更加抽象的數據和信息。它是智能系統實現對外部世界理解和決策的重要基礎。
最優值函數 (Optimal value function) 最優值函數是強化學習和決策理論中的一個重要概念，它描述了在給定環境和狀態下，使用最優策略所能獲得的最大期望累積獎勵的數值。通俗地說，最優值函數告訴智能代理人從某一狀態開始，按照最優決策行動時，能夠期待獲得的最大長期收益。這是評價狀態好壞與制定最優策略的基礎。
最優策略 (Optimal policy) 最優策略是強化學習和決策理論中的核心概念，指的是在序列決策問題中，能在所有可能策略中獲得最大預期累積收益的策略。換句話說，最優策略能讓智能體在不確定的環境中，根據自身狀態選擇行動，從而獲得長期最高的回報。這種策略是智能決策系統追求的終極目標，也是馬爾可夫決策過程（MDP）中的主要研究課題。
對象檢測 (Object detection) 對象檢測是計算機視覺領域中的一項核心技術，目標在於識別圖像或視頻中存在的各種目標物體，並準確地定位它們在圖像中的位置。簡單說，對象檢測不僅要判斷圖像中有哪些類別的物體存在，還要在這些物體周圍繪製邊界框（Bounding Box）來標明每個目標的具體位置。對象檢測結合了物體分類（判斷物體類別）與目標定位，廣泛應用於自動駕駛、安全監控、智能零售、醫療影像分析等多個領域。
蒙特卡羅方法 (Monte Carlo method) 蒙特卡羅方法是一種基於概率和統計理論的數值計算技術，通過大量的隨機抽樣和模擬運算，來求解數學、物理甚至工程領域中難以直接解析或計算的問題。其核心思想是利用隨機數生成大量試驗，透過統計結果估算問題的近似解，這使得蒙特卡羅方法成為處理複雜系統和不確定性問題的強大工具。
模型選擇 (Model selection) 模型選擇是機器學習和人工智慧領域中，從多個備選模型或演算法中挑選最適合特定問題和數據集的過程。它是模型開發流程中關鍵的步驟，決定了最終系統的性能和穩定性。合理的模型選擇能保證模型在未見數據上的泛化能力，避免過擬合或欠擬合問題，實現最佳的預測效果。
模型評估 (Model evaluation) 模型評估是指對已訓練好的人工智慧（AI）或機器學習模型進行系統性的測試與分析，以量化模型在解決特定問題上表現的過程。評估的目的是判斷模型的準確性、有效性和可靠性，幫助決策者了解模型是否達成設計目標，並提供優化改進的依據。良好的模型評估是保障人工智慧系統在實際應用中穩定運行和產生準確結果的關鍵。
模型部署 (Model deployment) 模型部署是將已訓練好的人工智慧（AI）模型，正式應用於實際生產環境或商業系統中的過程。簡單而言，模型部署就是將理論階段完成的模型，轉換成能夠在目標硬體設備或雲端平台上高效運行的形式，讓模型能夠持續接受实际數據輸入並產生智能決策或預測。模型部署是AI應用從研發到落地過程中的關鍵環節，決定了AI技術的實際價值體現。
AI模型 (AI Model) AI模型是人工智慧系統中的核心組件，指的是通過數據訓練，能夠識別特定模式、做出決策或預測的數學模型或算法。簡言之，AI模型是一組數學函數和規則的集合，它將輸入的數據轉換為有意義的輸出結果，實現計算機自主完成某種智能任務的能力。無需每次都由人類明確指示，模型能憑藉訓練中學到的知識，自主處理輸入並產生反應。
