機率能信嗎：用 77 篇 PubMed 論文檢驗決策模型
決策模型回傳的機率不能直接當成有多大把握。高分只代表分數如何分到選項上；校準要看被給到同一分數的案例裡，實際答對的比例是否接近那個分數。本文說明怎麼做這項檢查，以及門檻為什麼必須同時看覆蓋和作答準確率，而不能只靠單一篇摘要上的數字。讀者可以據此決定要不要採用。
所有文章
一次前向就給機率：決策模型的原理與訓練
決策模型不把答案逐 token 寫出來。讀完輸入後，它只取事先列好的選項 logit，用 softmax 一次變成各選項的機率，不必再解析文字。Jev 公開的訓練只到名稱 RLCD、自製資料與校準過的決策機率，架構與損失沒有公開。開源複製品則公開決策頭、LoRA 或正確計分規則的對照。
總整：用一個案例走完從資料到 AI 的流程
以虛構連鎖藥局的回診預測與客服助理為例，走完問題定義、資料清理、建模評估、A/B 測試、RAG、隱私與上線監控，並附線索與方法對照表與 10 題綜合練習。
隱私保護、安全與合規：去識別化、差分隱私與法規
假名化與匿名化、k-匿名、差分隱私、同態加密、聯邦學習的適用情境，資料安全控制，生成式 AI 的個資風險，個資法、GDPR 與歐盟 AI 法重點。
生成式 AI：嵌入、向量資料庫與 RAG
資料在預訓練、微調與偏好對齊的角色，嵌入與餘弦相似度、向量資料庫與近似最近鄰、RAG 流程與切塊、合成資料的風險。
大型語言模型怎麼運作：token、注意力、脈絡窗口與幻覺
大型語言模型如何一次預測一個 token、注意力與脈絡窗口的作用與限制、溫度與 top-p 取樣的計算，以及幻覺與知識截止的成因和降低方法。
神經網路與深度學習：神經元、反向傳播與表示學習
一個神經元在算什麼、激活函數為什麼不可少、softmax、反向傳播與梯度消失、Dropout，以及 CNN、RNN、Transformer 與遷移學習各適合什麼資料。
鑑別式 AI：混淆矩陣、ROC 曲線與決策樹
鑑別式與生成式模型的差別，精確率、召回率、F1 的計算與選擇，ROC 與 PR 曲線，吉尼不純度、bagging 與 boosting，迴歸評估指標。
模型怎麼學習：損失函數、梯度下降與正則化
模型訓練就是調參數讓損失變小：MSE 與交叉熵、手算梯度下降、學習率太大或太小的後果、mini-batch 與 epoch、L1 與 L2 正則化、提早停止與學習曲線。
機器學習流程：資料切分、洩漏、不平衡與漂移
學習類型，訓練、驗證、測試集的角色，過擬合處理，資料洩漏的五種來源，分層與群組交叉驗證，SMOTE 的正確位置，特徵儲存庫與漂移監控。