# 人工智慧教練特訓班
[toc]

人適用於所有人的人工智慧课程
適合想認識AI,想在公司導入AI的經理人員
## 第一週 認識AI(右文)
認識AI,機器學習,為什麼AI變紅了? AI如何運作,認識資料,什麼是目前AI能做的,什麼是目前不能做的
## 認識AI#2

### 人工智慧之父圖靈
要認識人工智慧要先認識一個人，圖靈(Turing)是人工智慧(AI)，的先驅之一，他提出了圖靈測試，該測試用於衡量機器，是否具有人類般的智慧。圖靈也是第一個提出人工智慧概念的人，並在他的著作中，提出了許多關於機器學習，和人工智慧的基本理論。
電影《模仿遊戲》（The Imitation Game)
故事講述了二戰期間，英國政府聘請數學家圖靈，Alan Turing，率領一群科學家和電腦專家，破解德國的Enigma機密電報。在破解過程中，Turing面臨著各種挑戰，同時也面臨著社會和個人的壓力。最終，他和團隊成功破解了Enigma密碼，結束了二戰，人工智慧應用在戰爭已經是必然的趨勢。
### 什麼是圖靈測試?
圖靈測試（Turing test），是一種由英國數學家Alan Turing，在1950年提出的一種測試人工智慧（AI）的方法。圖靈測試的基本思想是：如果一個機器能夠和一個真人進行文字對話，並且讓一個人無法分辨出是機器還是真人，那麼這個機器就可以被認為是具有人工智慧。
### 什麼是AI
人工智慧 (Artificial Intelligence, AI) 指的是計算機程序，或系统具有某些類似於人類智慧的能力。這可能包括認知能力，如語言理解和解决问题的能力，也可能包括物理智慧，如視覺和聽覺。人工智慧涵盖了許多不同的领域，如機器學習，自然語言處理，計算機視覺和智慧機器人。

### 什麼是強人工智慧？
強人工智慧（Strong Artificial Intelligence，簡稱 AGI）是指能夠完全模擬人類智慧的人工智慧系統。舉例來說，如果一個 AGI 是一個智慧機器人，那麼它就會有能力學習、理解語言、解決複雜的任務、有意識、自我調整等。
AGI 目前還沒有被實現，但研究人員們正在不斷努力探索 AGI 的可能性。 目前最先進的人工智慧系統僅能夠在特定任務上優於人類。
### 什麼是弱人工智慧
弱人工智慧(Weak AI)是一種人工智慧，它專門用於解決特定問題或完成特定任務。弱人工智慧系統只能在限定的領域內進行決策和操作，並且只能模擬人類的特定能力。弱人工智慧應用如：自動駕駛汽車，聊天機器人，語音助理，購物推薦系統等。
### 人工智慧AI發展史
人工智慧的研究始於20世紀50年代，當時研究人員開始研究如何使計算機具有智慧。在那個時期，研究人員發展了一些基礎理論和技術，如自然語言處理，機器學習和知識表示。

60年代和70年代，研究人員提出了許多具有里程碑意義的理論和算法，如深度學習，遺傳算法和專家系統。這些理論和算法為後來的發展奠定了基礎。同時也出現了一些著名的AI應用，例如IBM的棋盤遊戲"Deep Blue"

在近年來，人工智慧研究取得了長足的進展，尤其是在機器學習和深度學習領域。研究人員開發出了許多強大的算法和模型，如卷積神經網絡，生成對抗網絡和自動編碼器。這些算法和模型已經在諸如計算機視覺，語音識別和自然語言處理等領域取得了巨大的成功。

目前人工智慧技術在各個領域的應用已經非常廣泛, 在交通、金融、醫療、教育、工業、農業等領域。
### 第一波人工智慧浪潮
第一波人工智慧浪潮，通常指 1950 年代至 1970 年代期間所發展出來的人工智慧技術。在這個時期，研究者們嘗試將電腦程式設計成能夠完成人類所能完成的任務，例如：自然語言處理、影像辨識、遊戲決策等。其中最具代表性的研究，就是人工智慧的五大問題之一："在任意情境下理解自然語言"，這個研究被稱為"ShakeSpeare问题，代表性的應用程式Eliza 是最早出現的聊天程式之一，該程式曾經成功的欺騙過不少人，讓人們以為他們聊天的對象是真人
### 第二波人工智慧浪潮
第二波人工智慧浪潮，通常指 1980年代至 1990年代期間的人工智慧研究。在這個時期，研究者們將重點放在了知識表示和推理方面如專家系統。應用了知識表示技術,如知識圖論，概念圖，Frame 等，更多地將人類的知識經驗進行了組織和系統化。研究也逐漸從硬體技術轉向著軟體技術和演算法研究，帶來了知識及推理系統、智慧檢索系統和智慧助理等重要的發展，這些應用在後續的研究和應用中有了廣泛的影響，代表性的醫療應用，mycin是早期的反向連鎖專家系統，它使用人工智慧來識別，代導致嚴重感染（例如細菌血症和腦膜炎）的細菌，並根據患者的體重推薦抗生素（與許多抗生素一樣，抗生素本身的名稱）具有後綴“ -mycin”。Mycin系統還用於凝血疾病的診斷。
### 第三波人工智慧浪潮主要內容
第三波人工智慧浪潮，通常指現在的人工智慧研究。這個浪潮的主要內容是深度學習和大數據技術。這個風潮的開始可以追溯到2000年代末期，由於資料量不斷增長，計算能力的提升和深度學習算法的出現，使得深度學習在許多領域，如自然語言處理、視訊辨識、自動駕駛等領域有了明顯的進展，被廣泛用於實際應用之中，例如語音辨識，圖像識別等。

## 什麼是機器學習#3
機器學習 (Machine Learning) 是一門研究如何讓計算機透過數據中學習而不是明確程式化地設定, 來執行特定任務的科學。

機器學習可以分為三種類型: 監督式學習、非監督式學習和增強學習。

監督式學習: 在監督式學習中, 機器會從已有的訓練資料中學習, 這些資料都有正確答案, 機器會根據訓練資料來預測新的資料。 例如，
圖像分類器可以訓練將圖像分類為「狗」或「貓」。這可以通過將大量帶有標籤的圖像（如「狗」或「貓」）作為訓練數據來完成。

非監督式學習: 在非監督式學習中, 機器會從沒有正確答案的資料中學習, 通常用於分群和降維。例如:
聚類：將相似的資料點分為同一群。
降維：將高維資料降維成低維，以發現資料中的主要特徵。
去噪：去除雜訊，使資料更易於理解。。

增強學習: 增強學習是一種使用懲罰和獎勵來訓練機器學習演算法的方法。這種方法通常用於遊戲或其他具有明確目標的任務。
一個典型的例子是 AlphaGo，它是一個增強式學習系統，用於玩 Go 圍棋。AlphaGo 使用深度神經網絡 (deep neural network) 來預測可能的下一步走法，並使用另一個網絡來評估這些走法的優劣。它透過大量遊戲數據的訓練以及在現實中與真實玩家對戰來進行學習。最終 AlphaGo 成功地打敗了當時世界排名第一的 Go 玩家柯潔。
### 機器學習這幾年為什麼有了很大進展

機器學習在近幾年有了很大的進展，有幾個主要原因：

大量的資料：由於網路和社群媒體的普及，我們現在有了更多的資料來訓練機器學習模型。

更強大的計算能力：硬體的進步使得我們能夠訓練更大型和更複雜的模型。

深度學習的出現：深度學習技術是近幾年來最為關鍵的突破，它讓我們能夠解決許多之前無法解決的問題。

強大的開源工具：各大企業和研究機構提供了大量的開源工具，讓開發人員能夠快速地開發和訓練機器學習模型。
### 什麼是深度學習
深度學習 (Deep Learning) 是機器學習的一種方法，它使用了深層神經網絡來進行學習。

神經網絡是一種模型，它可以模擬人腦的神經元和突觸之間的連接，來對數據進行分析和預測。深層神經網絡指的是神經網絡具有很深的層數，這些層數可能有幾十層甚至上百層。

深度學習使用了大量的數據和計算資源來訓練深層神經網絡，這樣可以在模型中學習到更複雜和更抽象的模式。這導致了深度學習在圖像識別，語音識別和自然語言處理等領域取得了巨大的進展。

常見的深度學習算法有: 卷積神經網絡(CNN), 遞歸神經網絡(RNN), 長短時記憶網絡(LSTM) 以及生成對抗網絡(GAN)

### 什麼是目前AI做的到的，請舉例？
目前 AI 可以做到許多事情，例如自然語言處理、計算機視覺、機器學習、自然語言生成、機器翻譯、語音識別、自然語言理解等。

例如：

自然語言處理：使用 AI 技術來解析、理解、生成人類語言的文本。例如: Google 搜索、微軟對話機器人。
計算機視覺：使用 AI 技術來解析和理解影像或視頻內容。例如: 人臉辨識、物品檢測。
機器學習：使用 AI 技術來讓計算機自己學習而不需要程式設計師明確指示。例如: 推薦系統、預測銷售。
自然語言生成：使用 AI 技術來生成人類語言的文本。例如: 新聞文章生成。
機器翻譯：使用 AI 技術來翻譯文本或語音。例如: Google Translate。
語音識別：使用 AI 技術來辨認語音輸入。例如: Siri、Google Assistant。
自然語言理解：使用 AI 技術來理解人類語言的意思。例如： Open AI GPT-3
### 什麼是目前AI做不到的，請舉例?
目前 AI 仍然無法做到一些事情，例如某些形式的推理和推論、具有深度的社會和文化理解、像人類一樣具有道德和倫理意識等。

例如:

推理和推論：AI 目前無法像人類那樣進行推理和推論，並且在複雜的領域中也會有困難。例如: 法律推理、倫理判斷
社會和文化理解：AI 目前無法理解社會和文化的複雜性，例如人際關係、權力關係等。
道德和倫理意識： AI 目前沒有道德和倫理意識,他只是遵循那些已經給他的指令,而不會自行判斷是否合乎道德和倫理。例如: autonomous weapon system.
而且，目前 AI 模型的精度和準確性可能依然存在問題，例如在計算機視覺領域，AI 模型對於特定人群(如黑人、亞洲人、女性)的辨識率可能較低。

### 預計 AI 在未來 10 年將對經濟產生重要影響。

首先，AI 技術將會在工業、製造、物流、金融、醫療、能源和其他領域中得到更廣泛的應用。這將導致新的產品和服務的開發，並增加工作效率和創造新的商機。
其次，AI 技術將會改變許多行業的工作方式，導致許多工作崗位的變化或消失，同時也可能創造新的工作機會。例如: 數據分析和管理工作、軟體開發和網絡安全等領域可能會有新的工作機會。
此外, AI 技術也有可能對經濟造成更大的不確定性，尤其是在自動化技術普及和人工智能帶來的失業問題等。因此, 政府和企業將需要針對此問題提出適當的解決方案。

### 預計 AI 在未來 10 年將對全球GDP影響?
預計 AI 在未來 10 年將對全球 GDP 產生重要影響。研究預測 AI 技術將會繼續在全球經濟中扮演越來越重要的角色。

例如，根據 PwC 的研究預測，到 2025 年，全球 GDP 將因 AI 技術的應用而增加 15.7%，相當於 14.5 兆美元。此外，根據 Accenture 的研究預測，到 2035 年，AI 技術將會使全球 GDP 增長至少 14%。

不過,預估的影響因地區而異,可能會有些地區的經濟受益更多,有些地區可能沒有那麼多受益,因為技術可能沒有那麼普及或是其他因素。因此, 重要的是要有適當的政策和策略來幫助經濟適應並獲得最大的收益。
### 對機器學習而言，什麼是資料，請舉例說明？
在機器學習中，資料是指用於訓練、驗證和測試模型的數據。它可以是一個數值、文本、影像、音頻等不同類型的數據。

舉例來說，如果我們想要使用機器學習模型來預測房屋價格，我們可能會收集一些關於房屋的信息，如面積、房間數、地點等，作為訓練數據。 我們將這些信息輸入到模型中，然後通過學習來確定不同特徵和價格之間的關係，以便在之後預測新的房屋價格。

### 預估AI對經濟的影響
AI可能對個人、企業和政府產生重大影響
2018 年 9 月，麥肯錫全球研究所，對 AI 採用趨勢進行了建模，將早期採用者及其表現，作為企業可能希望如何吸收 AI 的領先指標。總體而言，在扣除競爭影響和轉型成本後，早期證據表明，到 2030 年，人工智能可能會帶來約13萬億美元，的額外全球經濟產出，從而使全球 GDP 每年增長約 1.2%

作業：找一個公司並說明目前它用AI來做什麼,例如tesla自駕車

## 第二週 建立AI專案(ROYCE)
AI流程,如何選AI案子,AI專案所需工具(pytorch,…edge,cloud)
作業,(1)由kaggle找一個和作業1相關的專案,並將題目,網址資料筆數記錄下來(2)由aigo找一個和作業1最相關的題目

## 第三週 企業如何導入AI(振成,右文)
AI案例, 企業導入AI方式,角色及任務(高層,專案經理,工程師),讀書會,設計思考,實際導入AI可能遇到的困難,企業AI成熟度
作業,提出一個計劃協助用AI改善作業1公司的產品或服務

## 第四週 AI與倫理(RICHARD, SHAWN)
實際的AI,AI偏見,AI攻擊,誤用,工作和AI
作業,提出一個已消失的工作及未來可能消失的工作

針對電影人工智慧提出您的看法
經典台詞：人可以讓機器人對人付出百分之百的愛,可是人對機器人又負有什麼樣的責任呢?

參考資料
## [人適用於所有人的人工智慧课程](https://zh-tw.coursera.org/learn/ai-for-everyone)
[HBR Are You Developing Skills That Won’t Be Automated?](https://hbr.org/2019/09/are-you-developing-skills-that-wont-be-automated)
[AI成熟度](https://www.perform-global.com/ai-success-advice/)
[人工智慧學校公開教材](https://hackmd.io/JBo3ObNqSFKDaFImFv6OgQ?view)
[與人工智慧相關電影簡介](https://hackmd.io/@seiching/r1cUrOI2c)
[TIBAME 相關課程](https://www.surveycake.com/s/lbXMr?utm_source=facebook&utm_medium=cpc&utm_campaign=pur_lead_courssurvey_20220907&fbclid=IwAR24OcBWF_SxQI4dHurCKfQaB9tTK7qoXs1LnBaqlzB3E964e4zFwTh32W8)