Sync translations with latest source changes.
Languages: Chinese (Traditional, Macau) [zh-MO], Chinese (Traditional, Hong Kong) [zh-HK], Chinese (Traditional, Taiwan) [zh-TW]
在本課程中，你將開始了解機器學習如何影響並正在影響我們的日常生活。即使是現在，系統和模型已經參與了每天的決策任務，例如醫療診斷、貸款審批或詐騙偵測。因此，確保這些模型運作良好，提供值得信賴的結果非常重要。就像任何軟件應用程序一樣，AI 系統也可能未達預期或產生不理想的結果。因此，理解並解釋 AI 模型的行為至關重要。
在此課程中，您將開始了解機器學習如何且正在影響我們的日常生活。即使現在，系統和模型也參與日常決策任務，例如醫療診斷、貸款審批或詐騙偵測。因此，這些模型運作良好以提供可信賴的結果非常重要。就像任何軟件應用程式一樣，AI 系統也會未達期望或產生不理想的結果。這就是為什麼能夠理解和解釋 AI 模型的行為是必須的原因。
想像一下，當你用來建立這些模型的資料缺乏某些族群（如種族、性別、政治觀點、宗教）或過度代表某些族群時會發生什麼。當模型的輸出被解讀為偏袒某些族群時，應用會有什麼後果？此外，當模型產生不良結果並對人們造成傷害時會怎樣？誰應該對 AI 系統的行為負責？這些都是我們在本課程中會探討的問題。
想像當您用來建立這些模型的資料缺少某些人口統計特徵，如種族、性別、政治觀點、宗教，或某些族群被過度或不均衡代表時會發生什麼？當模型輸出被解讀為偏袒某些族群時會怎樣？對於應用程式會有什麼後果？此外，當模型產生不良結果並對人造成傷害時會有何影響？誰應對 AI 系統的行為負責？這些都是我們在本課程中將探討的問題。
透過此[學習路徑](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott)深入了解負責任 AI
[](https://youtu.be/dnC8-uUZXSc "Microsoft's Approach to Responsible AI")
[](https://youtu.be/dnC8-uUZXSc "Microsoft 負責任 AI 的方法")
> 🎥 點擊上方圖片觀賞影片：Microsoft 的負責任 AI 方法
> 🎥 點擊上方圖片觀看影片：Microsoft 負責任 AI 的方法
## 公平性
AI 系統應公平對待每個人，避免以不同方式影響相似群體。例如，當 AI 系統提供醫療治療建議、貸款申請或就業建議時，應對所有具有相似症狀、財務狀況或專業資格的人做出相同的建議。我們每個人身上皆帶有影響決策與行動的固有偏見。這些偏見可能反映在用來訓練 AI 系統的資料中。這種偏見有時是無意中造成的，往往難以有意識地察覺自己在資料中引入了偏見。
AI 系統應該公平地對待所有人，避免以不同方式影響相似群體。例如，當 AI 系統提供醫療治療建議、貸款申請或就業指導時，對於具有相似症狀、財務狀況或專業資格的人應該給出相同的建議。我們每個人都帶有影響決策與行動的既有偏見，這些偏見有時會體現在用來訓練 AI 系統的資料中。這種操縱有時是無意的，通常很難有意識地察覺自己何時將偏見引入資料中。
在設計和測試 AI 系統時，我們需要確保 AI 公平且未被編程以做出偏見或歧視決策，這些也是人類被禁止的行為。保證 AI 和機器學習的公平性依然是個複雜的社會技術難題。
在設計與測試 AI 系統時，我們必須確保 AI 是公平的，不會被程式化成做出有偏見或歧視的決策，正如人類所禁止的行為。保障 AI 與機器學習中的公平性仍是複雜的社會技術挑戰。
### 可靠性與安全性
為建立信任，AI 系統需在正常與異常條件下均可靠、安全且一致。了解 AI 系統在各種情況，尤其是異常值下的行為至關重要。建立 AI 解決方案時，需高度關注如何處理 AI 解決方案可能遇到的各種情況。例如，自駕車必須將人員安全擺在首位。因此，驅動該車的 AI 需要考慮所有可能遇到的場景，如夜間、雷暴大風雪、街上奔跑的孩童、寵物、道路施工等。AI 系統能可靠且安全處理多樣情況，反映出資料科學家或 AI 開發者在設計或測試系統時的預期程度。
為了建立信任，AI 系統需要在正常與意外情況下皆具備可靠性、安全性和一致性。了解 AI 系統在各種情況下，尤其是異常事件時的行為非常重要。建立 AI 解決方案時，需要大量關注如何應對 AI 可能面對的多種狀況。例如，自駕車必須將人員安全放在首位，因此這輛車的 AI 需要考慮所有可能遇到的情形，如夜晚、雷雨或暴風雪、街上奔跑的孩童、寵物、道路施工等。一個 AI 系統能否在廣泛條件下可靠且安全運作，反映了資料科學家或 AI 開發者在系統設計或測試階段的預見程度。
AI 系統應安全且尊重個人隱私。人們對那些危及隱私、資訊或生命的系統信任度較低。訓練機器學習模型時，我們仰賴資料來產生最佳結果，因此需考慮資料的來源與完整性。例如，資料是用戶提交的還是公開可用？在處理資料時，也必須開發能保護機密資訊並抵禦攻擊的 AI 系統。隨著 AI 越來越普及，保護隱私和資訊安全變得更為重要且複雜。對 AI 而言，隱私與資料安全議題需特別注意，因為 AI 依賴資料來做出準確且有根據的預測和決策。
AI 系統應安全且尊重個人隱私。若系統危及人們的隱私、資料或生命，人們對它們的信任將降低。訓練機器學習模型時，須依賴資料以產出最佳結果，故需考慮資料來源與完整性。例如，資料是用戶提交還是公開可用？此外，開發 AI 系統時，必須能保護機密資訊並抵禦攻擊。隨著 AI 越來越普及，保護隱私和關鍵個人及商業資訊變得愈加重要且複雜。對 AI 而言，隱私與資料安全議題尤其需密切關注，因為 AI 系統需要資料來做出準確且有依據的預測與決策。
- 與此同時，我們也見證 AI 被用於改善安全性。例如，目前多數現代防毒軟體依賴 AI 啟發式方法。
- 我們需要確保資料科學流程與最新的隱私及安全實務和諧結合。
### 透明度
AI 系統應易於理解。透明度的關鍵部分是解釋 AI 系統及其組件的行為。提升對 AI 系統的理解，需要持份者明白系統如何運作以及背後原因，以識別潛在的性能問題、安全與隱私疑慮、偏見、排他性慣例或非預期結果。我們也相信 AI 使用者應誠實並公開說明何時、為何及如何選擇部署 AI 系統，以及他們使用系統的限制。例如，銀行使用 AI 系統支援消費貸款決策時，檢視結果並了解哪些資料影響系統建議非常重要。政府正開始跨產業對 AI 進行監管，資料科學家和組織必須說明 AI 系統是否符合監管要求，尤其是在出現不理想結果時。
### 透明性
AI 系統應該易於理解。透明性的關鍵部分是解釋 AI 系統及其組成部分的行為。提升對 AI 系統的了解需要利益相關者明白其如何以及為何運作，才能辨識可能的效能問題、安全與隱私疑慮、偏見、排他性做法或非預期結果。我們也認為使用 AI 系統的人，應誠實且公開何時、為何及如何選擇部署這些系統，以及所用系統的限制。例如，銀行若使用 AI 系統協助消費貸款決策，就必須審視結果並理解哪些資料影響系統建議。各國政府開始針對各行業規範 AI，資料科學家與組織必須解釋 AI 系統是否符合規範，尤其在出現不理想結果時。
設計和部署 AI 系統的人必須對系統的運作負責。責任制尤其在敏感技術（如臉部辨識）中尤為重要。近年來，臉部辨識技術需求日增，尤其是執法機構視其可用於尋找失蹤兒童等用途。然而，這項技術可能被政府用來危害公民的基本自由，例如對特定個體實施持續監控。因此，資料科學家與組織需要對 AI 系統對個人或社會的影響負責。
設計與部署 AI 系統的人必須對其系統的運作負責。問責制在敏感技術，如臉部辨識技術的使用中尤為重要。近來，執法機關對臉部辨識技術的需求增加，因為該技術在尋找失蹤兒童等應用中具有潛力。然而，這些技術也可能被政府用來危害公民的基本自由，例如對特定個人進行持續監控。因此，資料科學家與組織須對其 AI 系統對個人或社會造成的影響負責。
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsoft's Approach to Responsible AI")
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsoft 負責任 AI 的方法")
> 🎥 點擊上方圖片觀看影片：臉部辨識帶來大規模監控的警告
> 🎥 點擊上方圖片觀看影片：警告臉部辨識可能導致大規模監控
對我們這代人來說（首批將 AI 帶入社會的一代），最大問題之一就是如何確保電腦對人負責，以及設計電腦的人對所有人負責。
對於我們這一代作為將 AI 帶入社會的第一代人來說，最重大問題之一是如何確保電腦對人負責，以及如何確保設計電腦的人對其他所有人負責。
## 影響評估
在訓練機器學習模型之前，進行影響評估非常重要，以了解 AI 系統的目的、預期用途、部署地點及使用者。這有助於審查者或測試者在評估系統時，了解辨識潛在風險及預期後果時應考慮的因素。
在訓練機器學習模型之前，進行影響評估非常重要，以了解 AI 系統的目標；用途；部署位置；以及誰將與系統互動。這些資訊有助於評審者或測試者在評估系統時知道哪些因素需考量，以辨識潛在風險和預期後果。
如同除錯軟體應用程序，AI 系統除錯是識別及解決系統問題的必要過程。多種因素會影響模型表現不符合預期或負責任。大多數傳統模型性能指標是模型表現的量化彙總，無法充分分析模型如何違反負責任 AI 原則。此外，機器學習模型是黑盒，難以理解驅動結果的原因或當出錯時解釋原因。本課程稍後我們將學習如何使用負責任 AI 儀表板協助除錯 AI 系統。該儀表板為資料科學家和 AI 開發者提供全面工具，以進行：
類似於軟件應用的除錯，AI 系統的除錯是識別並解決系統問題的必要過程。影響模型未達預期或不負責表現的因素很多。大多數傳統模型效能指標都是模型效能的量化匯總，但不足以分析模型如何違反負責任 AI 原則。此外，機器學習模型是黑盒子，難以理解驅使其結果的因素，或在出錯時提供解釋。在本課程後續，我們將學習如何使用負責任 AI 儀表板來協助除錯 AI 系統。該儀表板為資料科學家和 AI 開發者提供了完整的工具，以進行：
- 追求負責任的 AI：將原則付諸實踐，講者 Besmira Nushi、Mehrnoosh Sameki 和 Amit Sharma
- 追求負責任 AI：將原則落實於實踐，由 Besmira Nushi、Mehrnoosh Sameki 與 Amit Sharma 主講
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: An open-source framework for building responsible AI")
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox：建立負責任 AI 的開源框架")
> 🎥 點擊上方圖片觀看影片：RAI Toolbox：一個用於構建負責任 AI 的開源框架，講者 Besmira Nushi、Mehrnoosh Sameki 與 Amit Sharma
> 🎥 點擊上方圖片觀看影片：RAI Toolbox：由 Besmira Nushi、Mehrnoosh Sameki 和 Amit Sharma 講述的建立負責任 AI 的開源框架
另外，請閱讀：
另請參閱：
- 微軟的 RAI 資源中心：[Responsible AI Resources– Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- 微軟的 RAI 資源中心：[負責任 AI 資源– Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- 微軟的 FATE 研究組：[FATE: Fairness, Accountability, Transparency, and Ethics in AI - Microsoft Research](https://www.microsoft.com/research/theme/fate/)
- 微軟的 FATE 研究組：[FATE：AI 的公平性、問責性、透明度與倫理 - Microsoft Research](https://www.microsoft.com/research/theme/fate/)
RAI Toolbox：
RAI 工具箱：
- [Responsible AI Toolbox GitHub repository](https://github.com/microsoft/responsible-ai-toolbox)
- [負責任 AI 工具箱 GitHub 儲存庫](https://github.com/microsoft/responsible-ai-toolbox)
2. **安裝 Visual Studio Code**。確保你的電腦已安裝 Visual Studio Code。遵循此說明[安裝 Visual Studio Code](https://code.visualstudio.com/)完成基礎安裝。因為你會在這課程中使用 Python，所以建議熟悉如何[為 Python 開發設定 Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott)。
2. **安裝 Visual Studio Code**。請確保你電腦已安裝 Visual Studio Code。請依照指示[安裝 Visual Studio Code](https://code.visualstudio.com/) 完成基本安裝。這堂課你將於 Visual Studio Code 中使用 Python，建議先熟悉如何[配置 Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) 以便 Python 開發。
✅ 想想資料與迴歸目標之間的關係。線性迴歸預測特徵 X 與目標變數 y 的關係。你能在說明文檔找到糖尿病資料集的[目標](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset)是什麼嗎？這資料集想展示什麼？
✅ 想一想資料與迴歸目標的關係。線性迴歸預測特徵 X 與目標變數 y 之間的關係。你能在文件中找到糖尿病資料集的[目標值](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset)是什麼嗎？由此資料集及目標值你能了解什麼？
| 04 | 機器學習技術 | [Introduction](1-Introduction/README.md) | 機器學習研究者用哪些技術來建構機器學習模型？ | [課程](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 04 | 機器學習的技術 | [Introduction](1-Introduction/README.md) | 機器學習研究人員用什麼技術來建立機器學習模型？ | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
在這個課程中，你將開始了解機器學習如何影響我們的日常生活。即使在現在，系統和模型已經參與到日常決策任務中，例如健康診斷、貸款審核或詐騙偵測。因此，這些模型必須運作良好，才能提供值得信賴的結果。就像任何軟體應用一樣，AI 系統有時會未達期望或產生不理想的結果。這就是為什麼理解並解釋 AI 模型的行為至關重要的原因。
在這個課程中，您將開始探索機器學習如何影響及正在影響我們的日常生活。即使是現在，系統和模型也參與每日的決策任務，例如醫療診斷、貸款核准或詐騙偵測。因此，這些模型必須運作良好，提供值得信賴的結果。正如任何軟體應用一樣，AI 系統也可能未達預期或產生不良結果。因此，了解和解釋 AI 模型的行為至關重要。
想像當你用來建構這些模型的數據缺少某些族群資料，比如種族、性別、政治觀點、宗教，或者不成比例地代表某些族群時，會發生什麼事？如果模型的輸出被解讀為偏好某些族群呢？這對應用會帶來什麼後果？此外，當模型產生不良結果且對人們有害時會怎樣？誰要為 AI 系統的行為負責？這些都是本課程將探討的問題。
想像一下，當用於建立這些模型的數據缺少某些人口統計資料，例如種族、性別、政治觀點、宗教，或不成比例代表這些人口統計資料時會發生什麼情況？又或者模型的輸出被解讀為偏袒某些人口統計？應用後果是什麼？此外，當模型產生負面結果並對人們造成傷害時會怎樣？誰應該對 AI 系統的行為負責？這些問題將會在本課程中探討。
本課程中，你將：
本課程中，您將：
- 提高對機器學習中公平性及與公平相關傷害重要性的認知。
- 熟悉探索異常值和異常情境的實踐，以確保可靠性和安全性。
- 了解通過設計包容性系統來讓每個人都能受益的必要性。
- 探討保護資料及個人隱私與安全的重要性。
- 看見採用透明機制解釋 AI 模型行為的重要性。
- 注意建立 AI 系統信任所需的問責機制。
- 提升您對機器學習中公平性及與公平相關傷害重要性的認識。
- 熟悉探索異常值和不尋常情況以確保可靠性和安全性的做法。
- 了解設計包容性系統以賦權所有人的必要性。
- 探索保護數據及人員隱私和安全的重要性。
- 理解採用透明方法解釋 AI 模型行為的重要性。
- 了解問責制如何成為建立 AI 系統信任的關鍵。
## 先修知識
## 先決條件
作為先修，請先完成「負責任 AI 原則」學習路徑，並觀看以下相關主題影片：
作為先決條件，請完成「負責任 AI 原則」學習路徑並觀看以下相關主題影片：
透過此[學習路徑](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott)進一步了解負責任 AI
透過此[學習路徑](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott)深入了解負責任 AI
[](https://youtu.be/dnC8-uUZXSc "Microsoft 的負責任 AI 方法")
[](https://youtu.be/dnC8-uUZXSc "Microsoft 對負責任 AI 的方法")
> 🎥 點擊上方圖片觀看影片：Microsoft 的負責任 AI 方法
> 🎥 點擊上方圖片觀看影片：Microsoft 對負責任 AI 的方法
## 公平性
AI 系統應公平對待每個人，避免對類似群體產生不同影響。例如，當 AI 系統提供醫療治療建議、貸款申請或就業指導時，應對具有相似症狀、財務狀況或專業資格的每個人給出相同建議。我們每個人都帶有影響決策的天生偏見，而這些偏見也可能反映在用於訓練 AI 系統的數據中。這種偏差有時是無意中產生的，通常很難有意識地察覺到數據中引入了偏見。
AI 系統應公平對待每個人，避免對類似群體採取不同對待。例如，當 AI 系統提供醫療治療、貸款申請或聘用建議時，應對具有相似症狀、財務狀況或專業資格的人給出相同建議。每個人都帶有影響決策與行動的偏見，而這些偏見可能表現在用來訓練 AI 系統的數據中。有時這種操控是無意的，且往往難以有意識地察覺自己何時在數據中引入了偏見。
在設計與測試 AI 系統時，我們需要確保 AI 是公平的，不會被編程成做出偏見或歧視性的決定，而人類也被禁止做這類決策。確保 AI 及機器學習的公平性仍是一個複雜的社會技術挑戰。
設計與測試 AI 系統時，我們需確保 AI 公平且不被程式化以作出偏頗或歧視性決策，這是人類亦不應做的。確保 AI 與機器學習的公平性始終是一項複雜的社會技術挑戰。
### 可靠性與安全性
為了建立信任，AI 系統需要在正常及異常狀況下都能可靠、安全且一致地運作。重要的是要知道 AI 系統在各種情境下如何表現，特別是異常狀況。在建構 AI 解決方案時，必須大量關注如何處理 AI 解決方案可能遇到的多樣化狀況。例如，一輛自駕車必須將人的安全列為首要任務。因此，推動該車的 AI 需考慮所有可能遇到的場景，如夜間、雷雨或暴風雪、小孩奔跑穿越街道、寵物、道路施工等。AI 系統能多可靠安全地處理廣泛條件，反映了資料科學家或 AI 開發者在設計或測試時的預見程度。
為建立信任，AI 系統需在正常及意外狀況下保持可靠、安全和一致。了解 AI 系統在各種情況下的表現（尤其是異常狀況）很重要。建構 AI 解決方案時，須大量關注如何處理 AI 可能遇到的各種狀況。例如，自駕車必須將人身安全置於首位，因此驅動自駕車的 AI 需考慮夜晚、雷暴或暴雪、突然衝出馬路的小孩、寵物、道路施工等各種場景。AI 系統能多可靠安全地處理廣泛狀況，反映了數據科學家或 AI 開發者在系統設計或測試期間的預見程度。
AI 系統應設計成能夠讓每個人都能參與和賦能。在設計與部署 AI 系統時，資料科學家與 AI 開發者會辨識並解決系統中可能無意排除人群的障礙。例如，全球有 10 億殘疾人士。隨著 AI 的進步，他們能更輕鬆地在日常生活中獲取廣泛的資訊與機會。通過排除障礙，創造了創新並開發出更佳用戶體驗的 AI 產品，有益於所有人。
AI 系統應被設計為包容並賦予每個人權力。設計與實施 AI 系統時，數據科學家及 AI 開發者會辨識並解決系統中可能無意排除人的障礙。例如，全球約有 10 億殘障人士，隨著 AI 進步，他們能在日常生活中更輕鬆獲取豐富資訊與機會。解決這些障礙創造了創新與開發更佳體驗的 AI 產品的機會，造福所有人。
AI 系統應安全且尊重個人隱私。人們對危及其隱私、資訊或生命安全的系統信任度較低。訓練機器學習模型時，我們依賴資料以取得最佳結果。這過程中必須考慮資料的來源和正確性。例如，資料是用戶提交或公開取得的？同時，使用資料時，開發能保護機密資訊且具抵抗攻擊能力的 AI 系統十分關鍵。隨著 AI 越來越普及，保護隱私並確保重要個人與商業資訊安全變得更為重要且複雜。隱私與資料安全問題在 AI 領域尤其需要嚴密關注，因為 AI 系統需存取資料才能對人民作出準確且明智的預測與決策。
AI 系統應安全且尊重使用者隱私。使用者對威脅其隱私、資訊或生命安全的系統信任度較低。訓練機器學習模型時，我們依賴數據產出最佳結果，因此必須考慮數據的來源與完整性。例如，數據是用戶提交的還是公開可得的？接著，在處理數據時，必須開發能保護機密資訊並抵抗攻擊的 AI 系統。隨著 AI 更普及，保護隱私及保障重要個人和企業資訊變得更關鍵與複雜。隱私與資料安全在 AI 中尤需密切注意，因為数据是 AI 系統作出精準且有根據預測與決策的關鍵。
- 然而面對 AI 系統，我們必須承認在需要更多個人數據以達到系統個人化和高效性與隱私保護之間存在的張力。
- 就像網際網路連接電腦誕生時一樣，AI 安全相關問題也大幅增加。
- 同時，我們見證 AI 被用來提升安全性。例如，當代大多數防毒軟體掃描器如今由 AI 啟發的啟發式方法驅動。
- 我們需確保資料科學流程與最新隱私和安全實務和諧融合。
### 透明度
AI 系統應該是可理解的。透明度的重要部分是解釋 AI 系統及其組件的行為。提升對 AI 系統的理解需要相關利害關係者明白系統如何及為何運作，以便辨識潛在的效能問題、安全及隱私疑慮、偏見、排他性措施或非預期結果。我們也相信使用 AI 系統的人應誠實且公開何時、為何及如何選擇部署，並說明所使用系統的限制。例如，銀行若用 AI 系統支持其消費貸款決策，就必須檢視結果並理解哪些數據影響系統建議。政府開始對產業中的 AI 進行規管，因此資料科學家與組織必須說明 AI 系統是否符合監管要求，尤其在出現不良結果時。
AI 系統應易於理解。透明度的要素之一是解釋 AI 系統及其組件的行為。提升對 AI 系統的理解，需讓利益關係人明白它們如何與為何運作，從而辨識可能的性能問題、安全與隱私疑慮、偏見、排除性做法或非預期結果。我們也相信使用 AI 系統的人應誠實坦白說明何時、為何及如何選擇部署它們，以及所用系統的限制。例如，若銀行使用 AI 系統支援消費者貸款決策，重要的是檢視結果並瞭解哪些數據影響系統建議。政府已開始規管各行業的 AI，故數據科學家與組織必須能解釋 AI 系統是否符合法規，尤其當結果不如預期時。
設計與部署 AI 系統的人必須對系統的運作負起責任。問責制的必要性在敏感的使用技術如人臉識別中特別重要。近來，人臉識別技術的需求不斷增加，尤其是執法機構看到該技術在尋找失蹤兒童等用途的潛力。然而，這些技術也可能被政府用來危害公民的基本自由，例如對特定個體進行持續監視。因此，資料科學家與組織需要對其 AI 系統對個人或社會的影響負責。
設計與部署 AI 系統的人必須為其系統的運作負責。問責制對於敏感技術如臉部辨識尤為重要。近期，臉部辨識技術需求增加，尤其來自執法部門，他們看中該技術在尋找失蹤兒童等用途上的潛力。但這些技術可能被政府用以威脅公民基本自由，例如持續監控特定個人。因此，數據科學家與組織須對 AI 系統對個人或社會造成的影響負責。
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsoft 的負責任 AI 方法")
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsoft 對負責任 AI 的方法")
> 🎥 點擊上方圖片觀看影片：關於人臉識別引起的大規模監控警告
> 🎥 點擊圖片觀看影片：透過臉部辨識的大規模監控警告
對我們這一代而言，作為帶來 AI 給社會的第一代，最大的問題之一是如何確保電腦能對人負責，以及如何確保設計電腦的人對其他所有人負責。
最終，我們這一代作為第一代將 AI 帶入社會的人，最大且最關鍵的問題之一是如何確保電腦持續對人類負責，及設計電腦的人如何確保對所有人負責。
## 影響評估
在訓練機器學習模型之前，進行影響評估非常重要，藉此了解 AI 系統的目的；其預期用途；部署地點；以及誰會與系統互動。這些對評審者或測試者評估系統時了解哪些因素需考慮，以辨識潛在風險及預期後果很有幫助。
在訓練機器學習模型前，進行影響評估非常重要，以了解 AI 系統的目的、預期用途、部署地點及使用者。這有助於評審或測試者在評估系統時知道該考慮哪些因素來判斷潛在風險與預期後果。
與軟體應用除錯類似，除錯 AI 系統是辨識及解決系統問題的必要過程。有許多因素會影響模型未如期或不負責任地運作。多數傳統模型效能指標是模型整體表現的定量彙總，這不足以分析模型如何違反負責任 AI 原則。此外，機器學習模型是黑盒，難以理解其產出動因或錯誤時提供解釋。稍後本課程將學習如何利用負責任 AI 儀表板協助除錯 AI 系統。該儀表板為資料科學家與 AI 開發者提供整合工具，能執行：
與軟體應用偵錯相似，偵錯 AI 系統是識別和解決系統問題的必要流程。許多因素會影響模型未達預期或不負責任的表現。多數傳統模型性能指標是模型表現的定量總結，但不足以分析模型如何違反負責任 AI 原則。此外，機器學習模型是黑箱，難以理解其產出原因或在出錯時提供解釋。本課程稍後將學習如何使用負責任 AI 儀表板協助偵錯 AI 系統。該儀表板為數據科學家和 AI 開發者提供整合工具，執行：
- 追求負責任的 AI：將原則付諸實踐，講者 Besmira Nushi、Mehrnoosh Sameki 與 Amit Sharma
- 追求負責任 AI：將原則付諸實踐，由 Besmira Nushi、Mehrnoosh Sameki 與 Amit Sharma 主講
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: An open-source framework for building responsible AI")
2. **安裝 Visual Studio Code**。確保您的電腦已安裝 Visual Studio Code。請按照這些說明 [安裝 Visual Studio Code](https://code.visualstudio.com/) 以完成基礎安裝。您將在本課程中使用 Visual Studio Code 編寫 Python，建議了解如何 [設定 Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) 作為 Python 開發環境。
2. **安裝 Visual Studio Code**。請確保您已在電腦上安裝 Visual Studio Code。請遵循[安裝 Visual Studio Code 指引](https://code.visualstudio.com/)完成基本安裝。此課程將在 Visual Studio Code 中使用 Python，您也可參考如何[設定 Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott)以便 Python 開發。
✅ 想一想資料與迴歸目標的關係。線性迴歸預測特徵 X 與目標變量 y 的連結。你能否在文件中找到該糖尿病資料集的[目標](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset)？給定該目標，此資料集試圖說明什麼？
✅ 思考資料與回歸目標的關係。線性回歸預測特徵 X 與目標變數 y 的關聯。在文件中能找到糖尿病資料集的[目標](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset)嗎？以此目標，此資料集展示了什麼？
- 完成一組課程後，請到 [討論區](https://github.com/microsoft/ML-For-Beginners/discussions)，透過填寫對應的 PAT 評分標準進行「大聲學習」。PAT（Progress Assessment Tool）是您填寫的進度評估工具。也可以對其他人的 PAT 作出回應，大家一起學習。
- 完成一組課程後，請到[討論區](https://github.com/microsoft/ML-For-Beginners/discussions)「大聲學習」（learn out loud），填寫對應的 PAT 評量表。PAT 是進度評估工具，透過填寫可以促進學習。也可以對別人的 PAT 評價，大家一同進步。
| 04 | 機器學習技術 | [Introduction](1-Introduction/README.md) | 機器學習研究人員使用了哪些技術來建立機器學習模型？ | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 04 | 機器學習的技術 | [Introduction](1-Introduction/README.md) | 機器學習研究者使用哪些技術來建立機器學習模型？ | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
可在 [這裡](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) 下載課程大綱的 PDF 文件附帶連結。
請在此處找到包含連結的課程綱要 pdf [here](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf)。
## 🎒 其他課程
## 🎒 其他課程
我們團隊還製作其他課程！歡迎瀏覽：
我們團隊還有製作其他課程！歡迎查看：
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
---
### 核心學習
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
在本課程中，您將開始了解機器學習如何並且正在影響我們的日常生活。即使現在，系統和模型也參與日常決策任務，如醫療診斷、貸款核准或詐欺偵測。因此，這些模型有效運作以提供可被信賴的結果是很重要的。就如任何軟體應用，AI 系統也可能未達預期或產生不理想的結果。這就是為什麼了解並解釋 AI 模型的行為是必要的原因。
在本課程中，您將開始了解機器學習如何影響並正影響我們的日常生活。即使在現在，系統和模型也已涉入日常的決策任務，如醫療診斷、貸款審核或偵測詐欺等。因此，這些模型必須有效運作以提供值得信賴的結果。正如任何軟體應用程式一樣，AI 系統也會有失誤或產生不理想的結果。因此，能夠理解和解釋 AI 模型的行為是非常重要的。
想像當您用來建立這些模型的數據缺少某些族群，如種族、性別、政治觀點、宗教，或是不成比例地代表這些族群，會發生什麼？如果模型的輸出被解讀為偏袒某些族群會怎麼樣？應用的後果是什麼？另外，當模型產生不良結果並對人們有害時會怎麼樣？誰應對 AI 系統的行為負責？這些是我們在本課程中將探索的一些問題。
想像一下，您用來建構這些模型的資料如果缺乏某些族群的代表性，例如種族、性別、政治觀點、宗教信仰，或是不成比例地代表這些族群，會有什麼後果？如果模型的輸出被解讀為傾向某些族群，這對應用程式有何影響？此外，當模型產生不良結果，並對人們造成傷害時，誰該對 AI 系統的行為負責？這些都是我們在本課程中將探討的問題。
在本課程中，您將：
- 提升您對機器學習中公平性重要性及相關傷害的意識。
- 熟悉探索異常值和不尋常情況以確保可靠性與安全性的做法。
- 理解設計包容系統以賦能所有人的必要性。
- 探索保護數據及個人隱私安全的重要性。
- 了解採用透明（玻璃盒）方法解釋 AI 模型行為的重要性。
- 注意問責制對於建立對 AI 系統信任的重要性。
- 增強對機器學習中公平性及公平性相關傷害重要性的認知。
- 熟悉探索異常值和不同尋常情境以確保可靠性和安全性的做法。
- 了解設計包容性系統以賦能所有人的必要性。
- 探討保護資料及人員隱私和安全的重要性。
- 了解以透明盒子（glass box）方法解釋 AI 模型行為的重要性。
- 注意到問責制對於建立對 AI 系統信任的關鍵性。
## 預備知識
## 先備知識
作為先修，請完成《負責任 AI 原則》學習路徑，並觀看以下相關主題影片：
作為先備課程，請先完成「負責任的 AI 原則」學習路徑並觀看下方關於該主題的影片：
透過此[學習路徑](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott)深入了解負責任 AI
透過此[學習路徑](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott) 進一步了解負責任的 AI
[](https://youtu.be/dnC8-uUZXSc "微軟負責任 AI 方法")
[](https://youtu.be/dnC8-uUZXSc "Microsoft 負責任的 AI 方法")
> 🎥 點擊上方圖片觀看影片：微軟負責任 AI 方法
> 🎥 點擊上方圖片觀看影片：Microsoft 的負責任 AI 方法
## 公平性
AI 系統應公平對待每個人，避免以不同方式影響相似群體。例如，當 AI 系統提供醫療治療建議、貸款申請或就業指引時，應針對具有相似症狀、財務狀況或專業資格的每個人給予相同的建議。我們每個人都攜帶著影響決策與行動的固有偏見。這些偏見可能明顯存在於用於訓練 AI 系統的數據中。有時這種操縱是無意的，而且通常難以自覺意識到何時在數據中引入了偏見。
AI 系統應同等待遇所有人，避免對相似群體產生不同影響。例如，當 AI 系統提供醫療治療建議、貸款申請或職業建議時，應對相似症狀、財務狀況或專業資格的人給予相同建議。作為人類，我們皆帶有遺傳而來的偏見，影響我們的決策和行動。這些偏見在用於訓練 AI 系統的資料中可能呈現出來。有時這些操控是無意的。往往很難有意識地知道何時將偏見引入資料中。
在設計和測試 AI 系統時，我們需確保 AI 公平，不受偏見或歧視決策控制，而人類亦被禁止做此類決策。要保證 AI 和機器學習的公平仍是複雜的社會技術挑戰。
在設計和測試 AI 系統時，我們需要確保 AI 公平，避免程式化產生偏見或歧視性決策，而這也是人類禁止做出的決策。確保 AI 與機器學習的公平性仍是一項複雜的社會技術挑戰。
### 可靠性與安全性
為建立信任，AI 系統需在正常及意外情況下保持可靠、安全和一致。了解 AI 在各種情境下（尤其是異常狀況）的行為很重要。建構 AI 解決方案時，必須大量聚焦如何處理 AI 可能遇到的各種狀況。例如，自駕車必須將人身安全列為最高優先。結果，自駕車所用 AI 需考慮所有可能面臨的情況，如夜晚、雷暴或暴風雪、小孩突然跑過馬路、寵物、道路施工等。AI 系統在寬廣情況下的可靠與安全處理能力，反映了資料科學家或 AI 開發者在系統設計與測試階段的預見程度。
為了建立信任，AI 系統需要在正常和異常情況下保持可靠、安全和一致性。了解 AI 系統在各種情境，特別是異常情況下的行為是重要的。建構 AI 解決方案時，必須大幅關注如何處理 AI 可能面臨的多樣環境。例如，自駕車必須將人身安全放首位，因此推動該車輛的 AI 需要考慮諸如夜晚、雷雨、暴風雪、孩子跑到街上、寵物出現、路上施工等各種可能情景。一個 AI 系統能多好地可靠且安全地處理這些複雜條件，反映了資料科學家或 AI 開發者在系統設計或測試時所做的預期考量程度。
AI 系統需要安全且尊重個人隱私。民眾較不信任可能危害隱私、資訊或生命安全的系統。訓練機器學習模型時，我們依賴數據得出最佳結果，因此必須考慮數據來源與完整性。例如，數據是由用戶提交還是公開可用？在使用數據時，建立能保護機密信息且抵抗攻擊的 AI 系統至關重要。隨著 AI 越來越普及，保護隱私與重要個人及企業資訊變得愈加關鍵且複雜。AI 特別需要密切關注隱私和資料安全議題，因為 AI 系統獲取數據是做出準確且有根據判斷的基礎。
AI 系統必須安全且尊重個人隱私。人們對可能危及其隱私、資訊或生命的系統信任度較低。訓練機器學習模型時，我們依賴資料以獲得最佳結果，因此必須考慮資料來源及其完整性。例如，資料是用戶提交的還是公開取得的？此外，在處理資料時，開發保護機密資訊並能抵禦攻擊的 AI 系統至關重要。隨著 AI 越來越普及，保護個人和商業重要資訊的隱私和安全變得更為關鍵且複雜。隱私與資料安全問題對 AI 尤為重要，因為 AI 系統需要存取資料才能對人們做出準確且有見識的預測和決策。
- 然而針對 AI 系統，我們必須承認在需要更多個人資料以讓系統更個人化及有效的需求與隱私保護間存在張力。
- 就像帶來網際網路的連網電腦誕生一樣，我們也看到與 AI 相關的安全問題正大幅增加。
- 同時，我們也看到 AI 用於提升安全性。例如，現代大部分的防毒掃描器都是由 AI 啟發式技術驅動的。
- 我們需確保資料科學過程與最新的隱私與安全實務和諧融合。
### 透明度
AI 系統應該是可理解的。透明度的關鍵在於解釋 AI 系統及其組件的行為。要改善對 AI 系統的理解，持份者需明白系統如何及為何運作，以便識別潛在的性能問題、安全與隱私疑慮、偏見、排斥行為或非預期結果。我們也認為 AI 使用者應坦誠說明何時、為何以及如何部署 AI 系統，以及他們所用系統的限制。例如，若銀行使用 AI 支援其消費者貸款決策，重要的是檢視結果並了解哪些數據影響系統推薦。政府開始針對各行業管控 AI，故資料科學家和組織需說明 AI 系統是否符合法規，特別是當出現不良結果時。
AI 系統應可被理解。透明度的關鍵部分是解釋 AI 系統及其組件的行為。提升對 AI 系統的理解需要相關利益關係人了解它們如何及為何運作，以便識別潛在的效能問題、安全及隱私顧慮、偏見、排除性作法或非預期結果。我們同時相信，使用 AI 系統的人應坦誠說明他們何時、為何及如何選擇部署這些系統，以及他們所使用系統的限制。例如，如果銀行使用 AI 系統支援其消費者貸款決策，重要的是檢視結果並了解哪些資料影響系統的建議。政府正開始針對各產業規範 AI，資料科學家和組織必須說明 AI 系統是否符合法規要求，特別是當出現不良結果時。
設計與部署 AI 系統的人必須對系統運作負責。問責制在使用敏感技術如臉部辨識時尤其重要。近期，臉部辨識技術需求成長，尤其來自執法機構，他們看到此技術在尋找失蹤兒童等用途的潛力。然而，這些技術也可能被政府用於威脅公民基本自由，例如持續監視特定個人。因此，資料科學家與組織需對其 AI 系統對個人或社會的影響負責。
AI 系統的設計與部署者必須對系統的運作負責。問責制在面對如臉部辨識等敏感技術使用時尤為重要。近期臉部辨識技術需求增加，特別是執法機關看到其在尋找失蹤兒童等方面的潛力。然而，這些技術也可能被政府用來威脅公民的基本自由，例如允許對特定個體進行持續監控。因此，資料科學家及組織需對其 AI 系統對個人或社會的影響負責。
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "微軟負責任 AI 方法")
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsoft 的負責任 AI 方法")
> 🎥 點擊上方圖片觀看影片：警告臉部辨識引起大規模監控
> 🎥 點擊上方圖片觀看影片：關於臉部辨識造成的全面監控警告
最終，對於我們這一代—第一代將 AI 引入社會的人來說，最大的問題之一是如何確保電腦向人類負責，以及設計電腦的人對其他人負責。
最終，對我們這一代人來說，作為首個將 AI 帶入社會的一代，最大的一個問題是：如何確保電腦永遠對人負責，以及如何確保設計電腦的人對所有人負責。
## 影響評估
在訓練機器學習模型之前，進行影響評估很重要，以了解 AI 系統的目的、預期用途、部署地點及使用者。這有助於評估者或測試者知道評估系統時需考慮的因素，從而識別潛在風險與預期結果。
在訓練機器學習模型之前，進行影響評估非常重要，以了解 AI 系統的目的、預期用途、部署位置，以及誰會與系統互動。此評估有助於審查者或測試者在評估系統時，了解應考慮哪些風險和預期後果。
類似除錯軟體應用，除錯 AI 系統是找出並解決系統問題的必要過程。多種因素可能導致模型表現不如預期或不負責任。大多數傳統模型性能指標是模型表現的量化彙整，無法充分分析模型如何違反負責任 AI 原則。此外，機器學習模型是黑盒，難以理解其決策依據或在出錯時提供解釋。本課程後面將學習如何使用負責任 AI 儀表板來協助除錯 AI 系統。該儀表板為資料科學家與 AI 開發者提供整體工具以執行：
如同除錯軟體應用程式，除錯 AI 系統是識別和解決系統問題的必要過程。有許多因素會影響模型未達預期或不負責任地運作。大多數傳統模型效能指標是模型效能的量化彙總，不足以分析模型如何違反負責任 AI 原則。此外，機器學習模型是黑盒，難以理解驅動其結果的原因，或在出錯時提供解釋。本課程後續將學習如何使用負責任 AI 儀表板協助除錯 AI 系統。該儀表板提供資料科學家和 AI 開發者一個全方位工具，執行：
- 追求負責任的 AI：將原則付諸實踐，由 Besmira Nushi、Mehrnoosh Sameki 和 Amit Sharma 主講
- 由 Besmira Nushi、Mehrnoosh Sameki 和 Amit Sharma 主講的「追求負責任 AI：從原則到實踐」
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: An open-source framework for building responsible AI")
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox：構建負責任 AI 的開源框架")
> 🎥 點擊上方圖片觀看影片：RAI Toolbox：由 Besmira Nushi、Mehrnoosh Sameki 和 Amit Sharma 主講的負責任 AI 建構開源框架
> 🎥 點擊上方圖片觀看影片：RAI Toolbox：由 Besmira Nushi、Mehrnoosh Sameki 與 Amit Sharma 介紹的負責任 AI 開源框架
另外，閱讀：
另請參閱：
- 微軟的 RAI 資源中心：[Responsible AI Resources– Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- 微軟的 RAI 資源中心：[負責任 AI 資源– Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- 微軟的 FATE 研究團隊：[FATE: Fairness, Accountability, Transparency, and Ethics in AI - Microsoft Research](https://www.microsoft.com/research/theme/fate/)
- 微軟的 FATE 研究團隊：[FATE：AI 的公平、問責、透明與倫理 - Microsoft 研究](https://www.microsoft.com/research/theme/fate/)
RAI Toolbox：
RAI 工具箱：
- [Responsible AI Toolbox GitHub 儲存庫](https://github.com/microsoft/responsible-ai-toolbox)
- [負責任 AI 工具箱 GitHub 儲存庫](https://github.com/microsoft/responsible-ai-toolbox)
2. **安裝 Visual Studio Code**。確保你已在電腦上安裝了 Visual Studio Code。請依據下列指引[安裝 Visual Studio Code](https://code.visualstudio.com/)。在本課程中你將使用 Visual Studio Code 來開發 Python 程式，因此建議你熟悉如何為 Python 開發[設定 Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott)。
2. **安裝 Visual Studio Code**。請確定你的電腦已安裝 Visual Studio Code。依照這裡的指示 [安裝 Visual Studio Code](https://code.visualstudio.com/) 作基本安裝。課程中將於 Visual Studio Code 內使用 Python，建議熟悉如何 [設定 Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) 以便 Python 開發。
✅ 思考一下資料與回歸目標之間的關係。線性回歸旨在預測特徵 X 與目標變數 y 間的關係。你能在文件中找到糖尿病資料集的[目標](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset)嗎？此資料集的目標展示了什麼？
✅ 思考資料與迴歸目標間的關聯。線性迴歸預測 X 特徵與目標變數 y 間的關係。可在文件中找到糖尿病數據集的 [目標](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset)？目標為何？數據集展示了什麼？
- 完成一組課程後，請訪問 [討論區](https://github.com/microsoft/ML-For-Beginners/discussions)，並透過填寫相對應的 PAT 評分表「大聲學習（learn out loud）」。PAT 是「進度評估工具」，您可透過填寫它來促進自己的學習。您也可以對其他人的 PAT 表示回應，讓我們一起學習。
- 完成一組課程後，請至 [討論區](https://github.com/microsoft/ML-For-Beginners/discussions) 使用相對應的 PAT 評量表“發聲學習”。PAT 是一種進度評量工具，透過填寫可促進學習。你也可以回應其他人的 PAT，一起進步。
| 04 | 機器學習技術 | [Introduction](1-Introduction/README.md) | ML 研究人員用來建立 ML 模型的技術有哪些？ | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 04 | 機器學習技術 | [Introduction](1-Introduction/README.md) | 機器學習研究人員使用哪些技術來建立機器學習模型？ | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
localizeflow[bot]
3 weeks ago