Please enable JavaScript.
Coggle requires JavaScript to display documents.
機器學習到人工智慧 - Coggle Diagram
機器學習到人工智慧
機器學習
定義
用電腦模擬智慧運作
舉例: 找出隨機生成不同色球之邊界
生物學習vs機器學習
生物學習
觀察 -> 學習 -> 技能
機器學習
資料 -> 學習 -> 技能
特色
累積經驗、資料→成績提升
巨量資料→機器學習→人工智慧
觀察累積經驗→精準判斷
可行性
訓練表現佳→證明價值
能舉一反三
測試內容需有關連性→製造判斷邏輯
分類
學習成效法則
過去測驗表現→機器學習→預測下一題是否答對
人類學習
專家知識模型可給機器學習
機器學習
輔助人類學習,降低判斷誤差
運作
有規律性
沒有可輕易化規則定義
有規律性相關資料
可行性
模型
線性分類模型
線性分類模型 + 知錯能改法
將資料的不同點完美分割
類神經網路
線性模型 -> 類神經網路
一個神經元 -> 一堆
畫一條直線 -> 畫複雜的邊界
類神經網路 = 仿生學習
深度學習
類神經網路 -> 深度學習
大量計算 + 大量資料
機器學習 + 類神經網路
結論
好用的就是聰明的人工智慧
由資料出發
如何製作機器學習
知錯能改
分而治之
深度學習
為什麼機器學習
由訓練、測試舉一反三
怎麼用
推薦
辨識
預測
生成
延伸內容
換位思考
開放性思維
不同領域間交流
學會使用AI
人工智慧
舉例(現代人工智慧)
語音助理
掃地機器人
定義
「智慧」→像人一樣思考、兼具理性
人工智慧歷史
兩次寒冬(共通點:期望落差)
1980組合暴漲,對當時電腦過於困難
1993專家知識導入無效率
近期人工智慧
資料多→儲存運輸便利
運算快→多核心、雲端
深度學習→模型更進步