以下，是我聽演講，上網搜尋找到的相關資料，分享給大家
然後我很懶得去抓圖片來這邊貼，所以沒有圖片
本來想說要不要錄成影片，但是太麻煩了，而且也不知道有沒有人看
如果有錯誤的地方，再請各位厲害的大大指教，謝謝
===================================================
這篇要說人工智慧發展的第三個階段，也就是機器學習的階段
時間大概是在2000年以後，電腦開始慢慢普及
資訊科技開始快速發展的年代
這時候機器就可以解決更多難理解的東西了
演算法大概分成兩種，一種叫作監督式學習Supervised Learning
另外一種則叫非監督式學習Unsupervised Learning
監督式學習是有一個明確的答案的學習，比如說
你現在有三千張圖片，一千張是貓，一千張是狗，剩下的是熱狗
你讓機器學習這些圖片，讓它學會分辨，另外也告訴它哪張圖片是那些東西
當你最後在做測試的時候，丟了一張狗的圖片進去，它會告訴你這是一張狗
廢話，理所當然大家都知道，這種學習法得到的成果通常也比較好
我是說「通常」
非監督式學習就是沒有目標的學習，一樣是那三千張照片
但是你沒有告訴機器這三千張照片分別是什麼，單純就是讓機器去分析分類
當你丟了一張狗的照片進去，機器告訴你的答案可能不是明確的「狗」
而是給你一堆類似的答案，它的分類有可能是顏色、皮毛多寡等等
就是你可能找到相似的東西，只是那些東西不是你要的
但就是比較廣泛
你在Google丟入關鍵字去搜尋，可以找到你想要的東西，那就是監督式學習
你如果在Google丟一張圖片，它可能就給類似的東西以圖找圖，大概是這樣的概念
想當然這種東西當然有改良版，叫半監督學習Semi-supervised learning
其實也沒有什麼特別的，就是先把有命名的東西先歸類，最後再處理那些沒有命名的
另外還有一個叫增強式學習Reinforcement learning，其實有點像是反饋的機制
當機器做出某個決定，可能會改變周圍的環境，這時候機器就要對於周圍的環境重新進行分析
比如說下圍棋，每次機器做出的決策都會影響對方以及自己的下一步
所以必須要隨著外在環境變化來進行改變，這叫增強式學習
監督式學習常用的迴歸分析、支援向量機、貝式網路等等
非監督式學習常用的有決策樹、群聚分析、類神經網路分析等等
網路上都有，有興趣就自己查吧，我也不是每一項都會
所以我在這邊就不要獻醜
其實發展到這邊就慢慢有人工智慧的樣貌了，只是2000年那個年代，資料儲存技術還沒有很厲害
電腦的計算速度也還沒有很厲害，很多問題都還待解決
但是現在開始慢慢可以做這件事情，也就是下一篇我要講的部分
這也是為什麼一直有人認為大數據分析、機器學習、物聯網等等是炒冷飯
因為整體來說，概念是不變的
這邊就講到這邊，下一篇我會提人工智慧的第四個階段，也是目前進展的階段
謝謝
我有粉絲專頁唷，如果喜歡我的朋友可以到我的粉絲專頁按個讚唷
留言列表
國內晃晃 (2)