從資訊檢索到資訊重構
人工智慧在歷經 1960、1980 與 2007 年代的多次發展停滯後，於後疫情時代重新進入技術加速階段。疫情帶動全球數位化進程，使基礎設施與算力快速擴張，進一步促成人工智慧的應用突破。在此背景下，人工智慧逐漸從研究導向走向實務應用，並對不同群體產生差異性影響。一方面，使用者能透過 AI 提升資訊處理與工作效率。另一方面，專業領域中的初學者也開始面對技術介入所帶來的不確定性與競爭壓力。 當資訊取得
載入中
一個專注智慧系統、計算理論與認知概念的研究空間。
K-近鄰演算法理論（K-Nearest Neighbors, KNN）
K-近鄰演算法（K-Nearest Neighbors, KNN）是一種非參數式（non-parametric）、實例為基礎（instance-based）的監督式學習方法，廣泛應用於分類（classification）與回歸（regression）問題。其核心思想並非建立顯式模型，而是透過樣本間的距離關係，對未知樣本的輸出進行局部推論。本文從理論定位出發，系統性整理 KNN 的數學觀點、方法流程
決策樹分類（Decision Tree Classifier）實驗
此實驗決策樹模型基於 ID3（Iterative Dichotomiser 3）演算法，並以自行實作方式完整掌握資料分割、不純度計算、分裂特徵選擇與樹狀結構生成流程，從而避免現成套件所帶來的黑箱化問題，使模型行為與實驗結果可以被清楚追蹤與分析。 類別是決策樹的基本結構單位，在樹的建構過程中會調用此類別來完成節點創建 - ：表示當前分裂依據的特徵 - ：特徵值對應的子節點集合 - ：葉節點預測類別
卷積神經網絡 (Convolutional Neural Networks, CNN)
卷積神經網絡 (Convolutional Neural Network，CNN) 是一種專門用於處理網格狀數據（如影像、音訊、時間序列）的前饋神經網絡。本筆記聚焦於 CNN 的基本原理與關鍵組件，並附帶 TensorFlow/Keras 實作範例。 CNN 的核心設計靈感來自生物視覺皮層，透過局部連接和權重共享機制，有效提取輸入數據的空間層次特徵。典型 CNN 架構包含卷積層、池化層與全連接層。
