圖片說明 (Image captioning) 圖片說明，也稱為圖像描述生成，是一種自然語言處理與計算機視覺融合的技術，旨在自動為給定圖片生成一段簡潔而準確的文字描述。這項技術讓電腦不僅能辨識圖片中的物體，還能理解它們之間的關係、狀態和場景，並用自然語言將這些視覺信息表達出來。簡單來說，圖片說明讓計算機具備了“看圖說話”的能力。
圖片標註 (Image annotation) 圖片標註是指在數位圖片中對特定物體、區域或特徵進行精確標記或命名的過程，這些標記會轉化為機器學習模型訓練所需的標籤數據。它是人工智慧尤其是電腦視覺領域中重要的基礎工作，透過人工或半自動方式把圖片中的關鍵元素以可讀的格式標註出來，有助於模型學習識別圖片中的物體、場景或細節。
超參數調整 (Hyperparameter tuning) 超參數調整是機器學習中一個關鍵的過程，用於尋找和設定模型訓練前所需的最佳超參數組合，使模型在特定任務中達到最佳性能。所謂「超參數」，是指那些影響模型學習過程和結構，但不是通過模型訓練自動獲得的參數，而是需要人工或自動方法在訓練前進行設定的參數。透過針對不同超參數組合迭代訓練和驗證，超參數調整旨在提高模型的準確度、穩定性和泛化能力。
什麼是 GTP? 「GTP」可能是指很多不同領域的術語，但在人工智慧與自然語言處理領域中，常見與「GTP」音近、且極具代表性的技術是「GPT」，即「生成式預訓練變換器」（Generative Pre-trained Transformer）。以下將針對最相關和熱門的GPT模型進行介紹。
遺傳算法 (Genetic algorithms) 遺傳算法（Genetic Algorithms，GA）是一種基於生物進化理論的隨機化搜索與優化方法，由美國密西根大學的John Holland教授於1975年首次提出。該算法模擬自然界達爾文的「物競天擇、適者生存」和遺傳變異的演化過程，針對複雜的優化問題通過群體中多個潛在解（稱為個體或染色體）的迭代進化，逐步逼近或找到全局最優解。
GAN生成對抗網絡 生成對抗網絡（Generative Adversarial Network，簡稱GAN）是一種深度學習架構，由Ian Goodfellow及其團隊於2014年提出。GAN通過兩個神經網絡——生成器（Generator）和判別器（Discriminator）——在對抗性遊戲中相互競爭與提升，達到生成逼真數據的目的。這種模型極大地推動了生成式人工智慧的發展，讓計算機能夠從無監督學習的資料中創造出近似真實的圖像、聲音甚至文本。
模糊邏輯 (Fuzzy logic) 模糊邏輯是一種基於模糊集合理論的數學邏輯系統，用於處理生活中常見的模糊性和不確定性問題。傳統的經典邏輯只允許命題為真或假（即0或1），而模糊邏輯則允許命題具有介於0與1之間的任意值，代表部分真與部分假的程度。這種邏輯方法更接近人類思維方式，能夠表達「比較高」、「稍微快」等不精確的語義，更有效地處理不確定和模糊的信息。
函數逼近 (Function approximation) 函數逼近是一種數學和計算技術，用於使用一個相對簡單且已知形式的函數來近似或模擬一個較為複雜、未知或不可直接操作的函數。目標是通過逼近函數來達到與原始函數行為相似的效果，使得問題的分析和計算更加便捷和可行。函數逼近在科學計算、機器學習、數值分析等領域中具有廣泛應用。
特徵選擇 (Feature selection) 特徵選擇是機器學習和數據分析中的一項關鍵技術，指從原始數據中的大量特徵中挑選出對預測目標最有用的子集，剔除冗餘、無關或干擾性的特徵，以構建更簡潔、高效且具有良好泛化能力的機器學習模型。它能簡化模型結構、縮短訓練時間、提升模型準確率，並降低過擬合風險。
