(多元選修)人工智慧
週數 | 課程主題 | 內容摘要 |
---|---|---|
第 1 週 | 人工智慧概論 | 介紹人工智慧的歷史、發展及基本概念。 |
第 2 週 | 機械學習基礎 | 監督學習與非監督學習的基本概念與應用。 |
第 3 週 | 機械學習演算法 | 深入了解決策樹、支持向量機等常見演算法。 |
第 4 週 | 深度學習演算法 | 神經網絡的結構與運作原理。 |
第 5 週 | 深度學習應用 | 實作簡單的深度學習模型,如手寫數字識別。 |
第 6 週 | 自然語言處理基礎 | 語言模型的概念與文本處理技術。 |
第 7 週 | 第一次報告 | 學生分享機械學習或深度學習的相關專題報告。 |
第 8 週 | 自然語言處理應用 | 實作簡單的聊天機器人,介紹語言生成技術。 |
第 9 週 | 計算機視覺基礎 | 圖像處理的基本概念與技術。 |
第 10 週 | 計算機視覺應用 | 實作物體識別系統,介紹卷積神經網絡(CNN)。 |
第 11 週 | 強化學習基礎 | 強化學習的基本概念與應用案例。 |
第 12 週 | 強化學習應用 | 實作簡單的強化學習模型,例如遊戲AI。 |
第 13 週 | 人工智慧的倫理問題 | 討論人工智慧對社會的影響及倫理考量。 |
第 14 週 | 第二次報告 | 學生分享自然語言處理或計算機視覺的相關專題報告。 |
第 15 週 | 人工智慧在醫療領域的應用 | 探討人工智慧如何改善醫療服務與診斷。 |
第 16 週 | 人工智慧在商業領域的應用 | 分析推薦系統與市場預測的案例。 |
第 17 週 | 人工智慧在交通領域的應用 | 智能交通系統與無人駕駛技術的發展。 |
第 18 週 | 期末專題準備 | 學生選擇主題並準備期末報告。 |
第 19 週 | 期末專題準備 | 學生繼續準備期末報告,並進行小組討論。 |
第 20 週 | 期末報告彩排 | 學生進行期末報告的彩排,互相給予反饋。 |
第 21 週 | 期末報告 | 學生展示期末專題報告,進行評量與討論。 |
人工智慧概論
定義:
圖靈測試是一種評估機械是否具備智能的測試,最初由英國數學家和計算機科學家 艾倫·圖靈 在 1950年 提出的。其主要目的是判斷機械是否能夠模擬人類的思維和行為。
測試過程:
重要性:
批評:
機械學習 (Machine Learning):
深度學習 (Deep Learning):
自然語言處理 (Natural Language Processing):
計算機視覺 (Computer Vision):
艾西莫夫(Isaac Asimov)被稱為「現代機械人故事之父」,於1942年發表的「轉圈圈」(Runaround)文章中,立下機械人三大法則(Three Laws of Robotics)!
機械學習基礎
機械學習的類型 主要分成四種:監督式學習 (Supervised Learning)、非監督式學習 (Unsupervised Learning)、半監督式學習 (Semi-supervised Learning) 以及 強化式學習 (Reinforcement Learning)。
監督學習 (Supervised Learning):
非監督學習 (Unsupervised Learning):
半監督式學習 (Semi-supervised Learning):
強化式學習 (Reinforcement Learning):
定義與特點:強化式學習通過試錯的方式學習,模型通過與環境交互,根據獎勵和懲罰來調整自己的行為,最終達到目標。
應用案例:
AUTO DRAW
https://www.autodraw.com
Quick Draw
https://quickdraw.withgoogle.com
RNN類神經網路繪圖
https://magenta.tensorflow.org/sketch-rnn-demo
Scrying Pen
https://andymatuschak.org/scrying-pen/
Handwriting with a Neural Net
https://distill.pub/2016/handwriting/
duolingo
https://www.duolingo.com
深入了解監督式、非監督式、半監督式、強化學習等常見演算法。
機器學習(Machine Learning,簡稱ML)是一種使用統計和數學演算法來讓電腦從資料中學習並進行預測和決策的技術。通常應用於如圖像識別、語音識別、自然語言處理和推薦系統等諸多領域。
Scrying Pen
https://andymatuschak.org/scrying-pen/
深入了解深度學習常見演算法。
深度學習(Deep Learning,簡稱DL)是一種人工智慧的分支,利用多層神經網路模擬人腦的學習方式,可以從大量的數據中學習並提取特徵,進而實現目標任務,其主要優點是在圖像、語音、自然語言等複雜的任務中表現出色。例如,深度學習在圖像識別中的應用可以幫助識別物體,改善人臉識別等技術,語音識別中的應用可以實現語音識別、文字轉語音等功能,自然語言處理中的應用可以幫助機器理解自然語言,自動回答問題等。然而,深度學習仍存在局限性,如需大量的數據和計算資源,複雜模型難以解釋等問題。
脈衝神經網路:
脈衝神經網路(Spiking Neural Networks ,以下簡稱SNN)是一種基於類比神經元模型的神經網路。它具有較簡單的結構和運算,用於處理一些簡單的問題,例如圖像識別和聲音識別等。SNN通常由一個或多個輸入層、一個或多個隱藏層和一個輸出層組成,如下圖。隱藏層中的神經元通常使用傳統的激勵函數,例如sigmoid或tanh。SNN在處理較為簡單的問題時具有較高的效率和準確性。
深度神經網路:
深度神經網路(Deep Neural Network,以下簡稱DNN)是一種前饋式人工神經網路,由多層神經元組成,含有一個輸入層、N個隱藏層及一個輸出層如下圖。它可以通過學習大量數據,進行特徵提取和模式識別等任務。相對於其他機器學習方法,DNN 在影像辨識上的表現更加優秀。傳統的機器學習方法需要手動設計特徵,而DNN 可以在大量數據的基礎上自動提取特徵,大大提高了辨識準確率。此外,DNN 可以應對更複雜的任務,並且具有更好的可擴展性和泛化能力。因此,DNN 在影像辨識等領域中已經成為熱門的研究方向。
卷積神經網路:
卷積神經網路(Convolutional Neural Network,以下簡稱CNN)是一種人工神經網路,可以處理具有網格結構的數據。 CNN主要由卷積層、池化層和全連接層構成如下圖。卷積層通過卷積運算,自動提取影像特徵,並且維持空間信息。池化層可以壓縮影像,降低其維數,同時保留核心特徵。最後,全連接層可以將每個特徵映射到下一層的神經元中,以便提供最終的輸出。這些層結合在一起,形成了一個具有強大特徵提取能力的模型,對於影像識別等任務有著廣泛的應用。CNN在實際應用中的案例,列舉如下:
循環神經網路:
循環神經網路(Recurrent Neural Network,以下簡稱RNN)是一種深度學習模型,特別適用於處理序列數據。相比於傳統的前饋神經網路,RNN 具有記憶能力,能夠捕捉序列中的時間相關信息。RNN的主要特點是它能夠將之前的輸出作為當前的輸入,並在序列的不同位置共享權重。這種循環的結構使RNN能夠在處理序列數據時具有一定的記憶能力。舉例來說,當用於自然語言處理時,RNN可以記住之前的詞彙,並根據該記憶生成下一個詞彙。RNN模型通常由一個或多個循環神經單元組成如下圖,其中最常見的是長短期記憶(Long Short-Term Memory,LSTM)和門控循環單元(Gated Recurrent Unit,GRU)等兩種,列舉如下。
長短期記憶:
長短期記憶(Long Short-Term Memory,以下簡稱LSTM)是一種循環神經網路(RNN)的變體,如圖2-12,專為解決傳統RNN中的梯度消失和記憶衰減問題而設計。LSTM具有一個稱為細胞狀態(cell state)的結構,它可以在模型中保持長期記憶。該細胞狀態由適應性的門控機制所控制,包括遺忘門、輸入門和輸出門。遺忘門決定如何忘記之前的細胞狀態的一部分,從而過濾不重要的信息。輸入門則控制新信息的加入,並更新細胞狀態。輸出門則根據更新後的細胞狀態,選擇性地輸出信息。LSTM模型的關鍵特點是它能夠有效地處理長期依賴關係。在序列數據中,長期相依性是指過去的信息對當前預測的影響。LSTM通過細胞狀態和門控機制,能夠在長時間跨度上保持和捕捉關鍵的上下文信息。這使得LSTM在自然語言處理、語音識別、機器翻譯等需要對序列數據進行準確建模的任務中表現出色。LSTM模型具有靈活的結構,可以根據不同的應用場景和任務進行擴展和調整。
門控循環單元:
門控循環單元(Gated Recurrent Unit,以下簡稱GRU)也是一種循環神經網路(RNN)的變體,如圖2-13,被廣泛用於處理序列數據。GRU的核心思想是使用門控機制來控制信息的流動和記憶的更新,同樣解決了傳統RNN中的梯度消失和記憶衰減問題。相比於長短期記憶(LSTM),GRU具有更簡潔的結構。GRU的結構包含了更新門和重置門兩個重要的門控機制。更新門決定要從當前輸入和前一時刻的隱藏狀態中保留多少信息。重置門則控制前一時刻的隱藏狀態對當前輸入的忽略程度。通過這些門控機制,GRU能夠有效地捕捉序列中的長期依賴關係和關鍵的上下文信息。它適用於需要處理長序列和解決時間相依性問題的任務。GRU在自然語言處理、語音識別、機器翻譯等領域獲得了廣泛應用。它的優勢在於結構簡單,訓練速度較快,同時也能取得與LSTM相當的性能。
A Neural Network Playground
https://playground.tensorflow.org
RNN類神經網路繪圖
https://magenta.tensorflow.org/sketch-rnn-demo
Handwriting with a Neural Net
https://distill.pub/2016/handwriting/
duolingo
https://www.duolingo.com
深入了解深度學習常見流程。