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

 

 

 

 

 

 

 



LINE.png

我的LINE貼圖!點我點我

我的LINE貼圖!點我點我

 

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

 

arrow
arrow

    DoubleCool 發表在 痞客邦 留言(0) 人氣()