# 南一中人工智慧營
- [網站整理](https://moodle.tnfsh.tn.edu.tw/course/view.php?id=27#section-17)

:::spoiler <font color="bule">目錄</font>
[TOC]
:::

## M1 AI簡介
- 自駕車
- 雲端運算+邊緣運算

- 小遊戲
- [拼字](https://research.google.com/semantris) -> **NLP**
- [繪圖](https://quickdraw.withgoogle.com/)
- [猜拳](https://www.afiniti.com/corporate/rock-paper-scissors)

- [系統圖(loopy)](https://ncase.me/loopy)
- 正/負相關、流程

- 聯合國 SDGs
- [17個永續目標](https://sdgs.un.org/goals)

- ethics in AI (AI倫理)

## M2 統計數據
- AI>ML>DL(大圈圈到小圈圈)

**1.problem scoping (問題界定)**
- 4W/利益相關者/關係/時間

**2.data acquisition (資料收集)**

**3.data exploration (資料探索)**
- [可視化圖形(統計圖表)](https://datavizcatalogue.com/)
- [opendata(政府資料開放平台)](https://data.gov.tw/)

**4.modeling**

**5.evaluation (模型評估)**
- accuracy=TP/(TP+FN)
- recall=TP/(TP+FN)

| Column 1 | 實際為真 | 實際為 |
| -------- | -------- | -------- |
| Text | Text | Text |

**deployment (部署)**

## M3 NLP

[文風機器人](https://quillbot.com/)

### data process
text -> number

**1.sentence segmentantion**
- 分段

**2.tokenization**
- 斷詞
- stopword,number...

**3.stemming(詞幹)**
- ex:creating -> creat

**4.lemmatization**
- ex:creating -> create

the bag of words representation(詞袋)
- 文字轉向量
- 向量矩陣

1.?
2.?
3.create document vectors
4.

>vector=magmitude(大小)+directiom(方向)

[詞向量](http://ronxin.github.io/wevi/)

兩向量夾角越小，之間相關性越大

## M4

[影像訓練](https://teachablemachine.withgoogle.com/train)

pixel(向素)

## MNIST資料集
- MNIST資料集:0~9手寫資料集(60000 train data + 10000 valid data)
- One Hot encoding(分類/機率)
- Multiple Layer Perceptron Neural Network(MLP)多層感知器
- CNN

**1.資料集準備:**
- Load Dataset
- Split Dataset (train:valid:test=0.64:0.16:0.2) ``(8(->8:2):2)``

**2.設計分類模型:**
- Input Layer
- Convolution Layer + Pooling Layer(卷積+池化)
- Flatten Layer(攤平)
- Dense Layer
- Output Layer

**3.訓練參數的設定:**
- Loss function
- Optimizer(調動參數的策略)
- Evaluation Metrics(模型優劣的標準)
- accuracy=TP/(TP+FN)

**4.訓練模型:**
- Epochs(訓練次數)
- :-1: STG(隨機梯度)(下降較慢/不易收斂)
- :+1: Batch size(分梯次) ==依梯次誤差值修正==

**5.訓練驗證:**
- Evaluate

### 實作
[mnist](https://colab.research.google.com/drive/1jL4j2P3hlFFitKrGWUUeu0LF0pz6t0FA?usp=sharing)

- import

from tensorflow import keras #從下層呼叫上層(物件導向)
from tensorflow.keras import layers

- 正規化(Normalization)
- "float32"轉浮點數

- mnist資料集導入

(x_train,y_train),(x_test,y_test)=keras.datasets.mnist.load_data()
#已分割60000 train & 10000 test

- np.expand_dims(,)

x_train=np.expand_dims(x_train,-1) #-1在最後一個位置增維
x_train=np.expand_dims(x_train,axis=1) #在第一個位子增維

- One Hot encoding

num_classes=10
y_train=keras.utils.to_categorical(y_train,num_classes)
#one hot encoding

## M8/M9
- [TED:how we're teaching computers to understand pictures](https://l.messenger.com/l.php?u=https%3A%2F%2Fwww.ted.com%2Ftalks%2Ffei_fei_li_how_we_re_teaching_computers_to_understand_pictures&h=AT04RotFlMtCjLHc-jtV3x-Vt-ASQqI9h4_mevaMshAIi8i0ummQxORprj6o3_CFfFQaMr4VoV3X3PuaiWCB3meAxUWOJHZ6X44kjmQMVlL2SsrroP9EhfzCmirJhQ2NmMwJ1A)

### 支持向量機(SVM)
- :+1: 線很漂亮、可做非線性的決策邊界
- :-1: 資料比數過大，時間複雜度高

SVM vs KNN?

### model評估方式
- loss function
- 殘差(residual)
- 混淆矩陣(Confusion matrix)
- 二元分類(TP那個)
- 三元
- Area under curve(AUC)
- 曲線下面積
- 二元分配能力如何
- 1~0.5
- F-score(F-measure)
- Precision (精確率)：TP/(TP+FP)
- 測出來的/測出真的
- recall (靈敏度、招回率、真陽性率)：TP/(TP+FN)
- 測出來的/全部真的 (有點像抓染疫黑數)
- F-score：(2Precision*recall)/(Precision+recall)
- ==調和平均數==

### 資料前處理
- 有序:Label encoding
- 無序:one hot encoding

## 實作

**cv2:**

img=cv2.imread("path") #讀取檔案

img=cv2.resize(img,(length,width)) #縮放

img=cv2.cvtColor(img,cv2.BGR2RGB) #轉換顏色 "BGR2RGB"(其中一個換色編碼)

y=keras.utils.to_categorical(y,class_counts) #one hot encoding