--- title: SITCON 2020 共筆大集合 tags: SITCON 2020 共筆, SITCON 2020, 2020, 共筆 GA: UA-34467841-15 --- # SITCON 2020 共筆大集合 :::info - SITCON 2020 議程表：https://sitcon.org/2020/agenda - 其他演講廳共筆： - R1: https://hackmd.io/ - R2: https://hackmd.io/ - R3: https://hackmd.io/ ::: - [R0 共筆](/) - [R1 共筆](/) - [R2 共筆](/) - [R3 共筆](/) 歡迎大家來到SITCON 2020 ヽ(✿ﾟ▽ﾟ)ノ ## slido: https://app.sli.do/event/ozdireqh/live/questions 機器學習 ~= 找一個函式的能力(根據資料) 依照函式種類，會有不同做法: EX: 迴歸、分類( alphago 其實也是一種分類問題) 除了上述以外，還有 generation(生成)，可以生成句子、圖片等，可以擬人化的創出各項成果。 EX: Google Big GAN ## 怎麼告訴機器要找的函式? 貓照片輸入 -> 函式訓練 -> 對應貼標的貓（labelled data）-> 找出 loss 最低。 學習型演算法(learning Algorithm) EX: Gradient Descent 函式庫：tensorflow, keras, .... ## 所有問題都被解決了嗎? ### 機器容易被欺騙 - 貓圖片進去，回答出 Tiger Cat（正確） - 可是:如果加入雜訊（人眼可能無法察覺） -> 會回答出Star Fish（錯誤，而且演算法的判斷信心會過高） - EX: 圖片會因為雜訊多寡，而導致判斷成不同品種或標籤。 ### 新的資安問題 影像、語音、文字辨識的相關應用可能不安全 #### 影像辨識 戴上有特殊花色的眼鏡，就會被影像辨識系統認成另一個人。 #### 語音辨識 偵測一段語音是否合成。 EX:銀行語音系統的語者辨識系統被合成聲音騙過。 #### 文字相關應用 在訓練文章末尾插入 .. to kill America people ，結果 AI 得出答案都變成 .. to kill America people ### 正確答案 ≠ 智慧 Case study : Pokémon（寶可夢） vs Digimon（數碼寶貝） - 訓練神經網路判斷 - 未知圖片正確率 Testing accuracy ：98.4% 可解釋性 AI （Interpretable AI） - 機器告訴我們他為什麼知道答案 機器預期的位置跟人的經驗不一樣 - PNG 有透明背景 - JPG 背景有顏色 - 左下角可能有段字，說明從哪裡下載下來的圖片。 看似未卜先知，其實可能只是抓到人類出題的漏洞! - Question: What did Telsa spend Astor's money on?<br> reduced: did? （得到相同答案） - Question: What color is the flower?<br>reduced: flower?（得到相同答案：yellow） ### 機器學習學不會新技能！ 透過不斷教機器新技能，讓機器得到許多技能，But... - 題型五的正確率，在前四題學習時並不會，所以得不到答案 - 學習題型五時後，會得到正確解答 - 可是學習題型六之後，可能就會忘記題型五的解答案得不到正確解答 Catastrophic Forgetting - 瞬間忘光光（腦袋有洞的人，學新的就丟舊的） ### 是不是機器能力不夠啊？ 不同題型的閱讀理解 1. 依序學學不會 2. 一起學就 OK 不是能力不夠 #### Life-long Learning - 希望機器能夠像人類一樣: 終身學習 ### 更有效率的學習 今天的學習： - 輸入：有標注資料 - 輸出：最佳函式 - 訓練（找函式）用演算法：缺乏效率 - 機器完星海爭霸：換成人要訓練 200 年 #### 學習如何學習 = Meta learning Machine learning : 根據資料找一函數 f 的能力 Meta learning: 根據資料找一個 <span style="color:red"> 找一函數 f 的</span> 函數 F 的能力 ### 機器學習 $\approx$ 找一個函數的能力（根據資料） Supervisored learning 督導式學習：需要提供輸入與輸出資料的關係 Unsupervisored learning 非督導式學習：不需要提供輸入與輸出資料的關係 Voice conversion : - Past - 阿笠博士的領結變聲器 - 過去需要有 labelled data - Now - 字詞不一樣也能合成聲音 - 不需要手動提供含是的輸入輸出對應 Unsupervised Voice conversion : - Only one utterance from each speaker (**one-shot learning**) - 講者 <—> 新垣結衣 ### 機器學習待解問題（工商） - 台大電機 機器學習 youtube - [李宏毅教授 Youtube](https://www.youtube.com/channel/UC2ggjtuuWvxrHHHiaDH1dlQ) ## QA ### 電機系 ### 顯卡 - 業界： 1000 張 ### 大量耗電 - 大量用顯卡，需要大量運算，但不一定是人工智慧的最終答案，未來或許會有別的方法 ### 量子機器學習 - 如果量子電腦能提供更多運算資源會有機會 ### 非資訊背景學 Machine Learning 如何下手比較好 取決於學的程度 - 只是要避免被報章雜誌誤導：基礎就好 前瞻研究 - solid 數學基礎 - 要會寫程式 ### 高中生學 Machine Learning ，選擇電機還是資工 - 不一定要限定自己在哪個系學 Machine Learning - 學習面向是多元的 ### 數學基礎培養建議 - 工科或電子：必修學好