# What is AI?

能夠如同人類進行智慧處理的技術、機器

# 人工智能認知狀態

• 強人工智慧: 可能擁有人類的自我意識，具有超越人類的可能性
• 弱人工智慧: 可能會取代部分的人類能力，但沒辦法取代全部

# 人工智慧發展階段

• 機器學習: 進行適當的處理，就可以根據輸入資料預測數值、最佳化。
• 深度學習: 輸入資料不經過處理，讓電腦自己擷取特徵，來獲取最後的結果。

# 機器學習 Machine Learning

讓電腦有更高的辨識程度，需要決定要依據哪個基準 (參數) 運作。

機器學習能夠根據輸入資料，自動決定 (學習) 作為最正確的行為，之前是利用記住全部資料的記憶學習，但無法解答未知的資料。
利用大數據資料反覆訓練，讓未知的資料也能得到解答。

# 詳細程序

電腦接收輸入資料，使用學習模型輸出運算結果。

學習模型訓練的過程中，會去比較預期的輸出 (標籤、監督訊號) 與學習模型的運算結果，來修正學習模型。
經過反覆修正後，完成學習模型，將最後的模型保存，結束學習的處理。

# 處理的問題

可以分成兩類:

• 分類: 找出資料在哪個類別，分成一個個群組，無視群組的細微差異。例如：貓和狗是兩個不同群組。
• 迴歸: 發掘資料傾向，把資料認為是一個群組，比較組內差異。例如：年紀可以由長到幼。

# 基本工作程序

整體設計

• 將問題轉為公式
• 設計系統
• 蒐集資料

機器學習的設計

• 選擇機器學習的演算法
• 資料變形與特徵工程
• 模型的學習
• 驗證與評估預測結果
• 調整超參數

運用

• 系統的運用

# 監督式學習 Supervised learning

將輸入資料做一些標籤，並利用已知答案的資料進行訓練，學習模型會依據已知答案的資料去比對自己的回答是否正確，做一些調整，直到訓練完成。

# 非監督式學習 Unsupervised learning

不對資料進行標示，由機器自己去對每個資料捕捉資料特徵，重點在於學習資料本身的特徵。

# 強化學習

沒有特別明確的解答，以一些報酬描述該動作的優劣，使機器選擇高報酬的動作，重點是學習最佳的動作。

# 深度學習 Deep Learning

深度學習是指利用模仿大腦神經網路的類神經網路學習模型的機器學習，由輸入層與輸出層之間的「隱藏層」增加深度，能夠自動擷取最佳特徵量。

隱藏層: 將輸入層接收的資料以各種方式傳遞下去，最後轉為有助於輸出層的形式。

# Machine Learning vs. Deep Learning

• 深度學習也是機器學習的一種，但不同的地方在於，不是由人類加工輸入資料，幫助學習模型推出答案，而是學習模型自行擷取「特徵量」來學習。
• 原來機器學習的瓶頸在於，我們人類關注到的特徵未必與電腦的特徵相同，或是無法描述精確到位，使電腦比較難回答準確、細微答案，如：我們人類其時很難準確描述聲音 A 與 聲音 B 得區別。