提前終止 Early Stopping
提前終止是一種機器學習訓練技巧，藉由監控驗證損失，在模型過度擬合前及早停止訓練，以提高泛化能力。
模型訓練模型評估最佳化
AI 術語詞典
瀏覽 AITerms.tw 中標籤為「最佳化」的 AI 術語，快速找到定義、FAQ 與 iPAS 考試重點。
E
11 個術語邊緣運算AI Edge Computing AI
邊緣運算AI是在終端裝置直接執行人工智慧模型的技術，具備低延遲、省頻寬與強化隱私保護等核心優勢。
AI應用模型部署最佳化
邊緣推理 Edge Inference
邊緣推理是在邊緣設備（如手機、物聯網設備、智能硬體）本地執行機器學習模型推理，而不是發送請求到遠端伺服器。它具有低延遲、隱私保護、離線可用等優勢。
模型部署AI應用最佳化
高效神經架構搜尋 Efficient Neural Architecture Search
高效神經架構搜尋（Efficient NAS）旨在降低NAS的計算成本，通過架構共享、代理模型等技術加速搜尋過程，找到高性能的神經網路架構。
機器學習深度學習神經網路
高效網路 EfficientNet
EfficientNet 是一系列由 Google 開發的卷積神經網路架構，旨在透過複合縮放方法，在準確度和效率之間取得最佳平衡。
深度學習電腦視覺模型訓練
集成學習 Ensemble Learning
集成學習透過結合多個弱學習器，建立一個強學習器，以提高模型的準確性和泛化能力，常見方法包括Bagging、Boosting和Stacking。
機器學習模型訓練模型評估
證據與證據下界 Evidence
在貝氏推論中，證據指觀測資料的邊際機率。因計算困難，實務上常透過最大化證據下界來最佳化生成模型。
生成式AI統計方法深度學習
期望最大化算法 Expectation Maximization
期望最大化 (EM) 算法是一種迭代算法，用於在存在隱變量的情況下，估計機率模型的參數。它交替執行期望 (E) 步驟和最大化 (M) 步驟。
統計方法機器學習模型訓練
梯度爆炸 Exploding Gradient
梯度爆炸是指在深度學習模型訓練中，梯度在反向傳播時變得異常巨大，導致權重更新過大，模型訓練不穩定甚至崩潰。
深度學習模型訓練神經網路
探索與利用 Exploration vs Exploitation
探索與利用是強化學習中的權衡，探索是指嘗試新動作以發現潛在的更好策略，利用是指使用已知最佳策略以獲得最大獎勵。
強化學習最佳化AI基礎
極端梯度提升 eXtreme Gradient Boosting
GBDT 的進化版，加入正則化防過擬合，支援缺失值和並行化，是比賽和業界的常勝軍
機器學習模型訓練最佳化