圖解 AI 人工智慧大未來

圖解 AI 人工智慧大未來：關於人工智慧一定要懂得 96 件事

- 透過形式主義的手法可以用數學重現人類的理論邏輯思考，
延伸閱讀<數學原理>懷海德(Alfred North Whitehead)與伯特蘭·羅素(Bertrand Russell)。

Chapter 2 自我學習的人工智慧
- 所謂監督式學習就是同時提供問題與答案讓人工智慧學習問題解決的方法。
- 強化學習讓人工智慧依照點數的增減來做自我評估，
如此，就會讓人工智慧朝著增加點數的方向學習。

Chapter 4 深度學習的誕生
- 類神經網路有別於傳統人工智慧技術，歷經長達60年的淬鍊，終於開始發揮它真正的價值，
也就是「深度學習」的誕生。
- 反向傳播法(Backpropagation)、卷積神經網路(Convolutional Neural Network)、
自動編碼器(Autoencoder)這三個技術是深度學習的研究基礎。

類神經網路的「調節計算」與「反向傳播」技術
- 克服單層感知器限制的是「反向傳播」技術的開發，透過與神經網路多層化的連結，
克服了原本「只能處理現應分割問題」的缺陷。
- 感知器在突觸間「加權計算」的研究上很受到矚目，但當要處理的規模變大時，
感知器就很難找出最適當的加權(也稱為權重)，而用來解決此問題的方法也就是「反向傳播」技術。
- 首先確認類神經網路某一組輸入值對應的輸出值，與正確解答間的誤差為何。修正誤差時，
從輸出層反向對輸入層的加權計算做修正，因此稱為「反向傳播」。
- 傳遞錯誤訊息的人會給予較低的權重(降低點數)，而對傳遞接近正確訊息的人給予
較高的權重(增加點數)，一直修正到最初傳遞訊息的人(輸入層的突觸)為止。
- 反向傳播法技術並不是萬能的，其用來修正誤差的方式也只適用「監督式學習」，
而且無法有效處理4層以上的類神經網路。也就是說，其有效處理的部分只有3層的類神經網路。

實現多層次類神經網路的「卷積神經網路」
- 單層突觸無法解決的問題必須靠多層突觸解決，也就是說，藉由層次的增加，
讓處理資料的運用可以更「廣」也更「深」。卷積神經路時現類神經網路的多層化，
讓人工智慧得以做到影像辨識。
- 類神經網路的各層扮演著諸如「角度分析」、「曲線分析」、「直線分析」工作的角色，
最後再將各種特徵做綜合比較並重現類似人類辨識的能力。

突破多層次限制的「自動編碼」技術
- 為處理4層以上卷積神經網路無法有效運作問題，解決的方法就是利用「自動編碼器」技術，
就由「編碼」(壓縮)與「解碼」(解壓縮)的方式帶來了出奇的效果。
- 「自動編碼器」技術的另一個重點是資料編碼。編碼就是把整體的符號數變少，
也就是做資料的「壓縮」。事實上，「做壓縮」就等於是「辨識特徵」，不但可以刪除不必要的資料，
也可以減少傳遞錯誤資料的可能性。

深度學習的誕生與特徵取出能力
- 「深度學習」也可以說是把人工智慧用在，篩選、擷取和分析「卷積神經網路中」
每一層資料的特徵。這項革命性技術讓原本只能由人力輸入的參數設定(特徵擷取)，
改為透過機器學習來處理。

藉由深層強化學習提升「辨識力」
- 深度學習與強化學習結合就變成「深度強化學習」。所謂的強化學習，就是要讓人工智慧
反覆錯誤中學習並給予過給予獎勵來接近市場目標的學習方法，
主要運用在遊戲或路徑搜尋等在特定環境行動的人工智慧。
- 而「深層強化學習」的最大特點就是深度學習的特徵擷取。

擅長影像辨識的「卷積神經網路」
- 在多層次類神經網路中，最具代表性的就是「卷積神經網路」(CNN,Convolutional Neural Network)，特別適用於影像辨識CNN的特點就是擅長強調特徵處理。採用「卷積」的處理方式，會把影像的特徵(如形狀、顏色、樣式等)先做分類，然後再強調特徵的部分，之後再藉由特徵來比較判斷
「此特徵是屬於什麼影像」。換句話說，卷積處理可以除去不必要的資料。
- 卷積神經網路除了「卷積處理」外，還有另一個「池化」(Pooling)技術，也就是先確認影像特徵
(如形狀、顏色、樣式等)的組合方式，然後再統整為一個資料來處理。在把影像切割成細小像素再組合的部分與卷積的方式一樣，但在影像處理上是不同的。「池化」是把影像的解析度降低處理，而「卷積」只是把特徵的為小部分保留組合起來，並不會改變影像的解析度。

機器翻譯的革命技術「循環神經網路」
- 「循環神經網路」(RNN：Recurrent Neural Network)擅長處理自然語言，
「循環」就像是雞生蛋、蛋生雞的關係，結果就是原因的一種循環。這和程式語言的「遞迴」概念相同。人工智慧在理解句子時，最大的問題就是單字的意思會隨句子變化。
譬如把「我養貓」分成「我」、「養」、「貓」，每個字有自己的意思，
而字與字之間的組合也有其關係性，全部合起來就構成一整句的意思。這裡就出現了所謂的循環性：
如果不知道單個字的意思就不知道彼此的關聯，而不知道彼此的關聯就不知道單個字的正確意思。

將單字與文章的意思「向量化」
- 藉由「循環神經網路」讓人工智慧可以翻譯出更流暢的自然語言，為了更進一步提升其翻譯能力，
開始了將單字與句子含意「向量化」的研究。

人工智慧藉由可自由使用的資源而持續進化
- 深度學習帶給人工智慧研究的衝擊因研究成果採用開放原始碼形式而更加快速。
譬如Google所提供的TensorFlow，透過Open Source(開放原始碼)的軟體函式庫，無論是誰都可以自由使用或是將其商業化。其他像是日本新創公司Preferred Networks提供Chainer、加州大學柏克萊分校釋出的Caffe等軟體框架(Framework)或函示庫，也紛紛採用開放原始碼方式。