--- # System prepended metadata title: 高等人工智慧 --- # 高等人工智慧 ***3/10*** ![](https://i.imgur.com/9kGlAjD.png) AI主要重要的部分分成三大類 1.學習 2.知識儲存記憶能力 3.推理及判斷之能力 目前AI的問題是在於轉換硬體的速度 現今的AI要做到行動像人都是以圖靈測試為基準 那要讓AI做到行動像人需要包含以下四大特性 1.自然語言表示 2.知識的表示(知識圖譜) 3.自動推論(貝氏推論技術) 4.機器學習 ![](https://i.imgur.com/8yZVGPF.png) ![](https://i.imgur.com/kbEEMs9.png) ***3/17 Agents*** ![](https://i.imgur.com/TM7mA9L.png) 這章主要討論理性行為 1.討論Agent的特質 2.評估環境的特質 3.Agent的類型 ![](https://i.imgur.com/QwMY4TN.png) 2.1 Agent總共有兩種行為一個是感測環境另一個則是行動 ![](https://i.imgur.com/7v0JItN.png) 在上圖中可得知有以一下三個Agent的概念 1.human Agent(人類):人類的感測是由眼睛、耳朵以及一些器官所組成的，那你的自動器則是以手、腿、聲音等由這些來去執行的。 2.robtic agent(機器人):機器人的感測器可以用攝影機或者是紅外線等來做感測，那它的行動則是透過各種馬達使機器人可以做出各種行動。 3.software agent(軟體):其實google的搜尋引擎就是屬於軟體的agent，通常這類的agent具有學習能力，它的感測來自於鍵盤、檔案或者事封包來進行感測。 感知會分為兩個概念: 1.感知一個點 2.感知一序列 ![](https://i.imgur.com/SG2E2I4.png) 我們要處理的問題是動態的話就是一個微分方程(電腦視覺就是動態) 我們要處理的問題是靜態的話就是一個函數關係 2.2什麼叫好的行為 ![](https://i.imgur.com/QOCOcrA.png) Rationality 1.性能量測的指標且可以定義在什麼情況下是成功 2.Agent內建環境的知識 3.我們設計的動作Agent可以完成 4.可以感知到最新的資料 理性只要是在當下是最好最佳就可以並不是要最安全 2-3 ![](https://i.imgur.com/ak56Ei6.png) 工作環境是一個很重要的指標 做AI一定要對你的題目做PEAS的了解 環境是全部可觀還是部份可觀 環境在設計上是確定性還是隨機性 如是隨機性就會較為複雜 但如果是不確定性就必須知道事件 靜態就是一個函數 動態的話是一個微分方程 考慮環境是靜態還是動態 靜態+時間的話就屬於半動態 你的環境是知道還是不知道 當一個專案的環境是一個不知道、是隨機的、需要多個Agent的等會是一個很困難情況 2-4 Agents=一個架構+程式 要讓查表(Lookup table)比較快就須做平行處理 ![](https://i.imgur.com/VUxPaU0.png) ![](https://i.imgur.com/xLnPkFl.png) 邏輯越強的話可解釋性Model就越大 Goal-based agents 他主要是在model-based agent 上的改進，所以它會有目標的資訊 Utility-based agents ![](https://i.imgur.com/UrHv76G.png) ![](ht5tps://i.imgur.com/8cSHbdy.png) Learning Agents ![](https://i.imgur.com/kZEFtEX.png) ***3/24*** Agent繼承關係圖 ![](https://i.imgur.com/jICMv6O.png) Muti-Agent是未來分散式AI的主要架構 做遊戲設計或是控制很常使用強化式學習 只要Agent架構裡面有reword(獎勵)的話就是強化式學習 加群平均是非線性的 ![](https://i.imgur.com/gc7kgcN.png) ***3/31*** ![](https://i.imgur.com/MIGCipa.png) 模糊系統在AI AI在處理不確定性問題主要是用貝式理論、模糊理論 弱AI的部分:雖然可以取代人部分且學習能力強但它可解釋度低，不可靠 強AI的部分: 圖神經網路與隨機森林可解釋度高也是現今比較熱議的 softmax層其實就是簡化版的模糊系統 可解釋性AI概念: 它可以藉由模糊系統或者是圖像AI等，讓使用者知道今天訓練出來的結果是以什麼為基準去得出的結果 ![](https://i.imgur.com/rs2xE0U.png) 如果我們要做模糊處理那輸入必須做模糊化 區間性的模糊集合是有上下性的 模糊集合只有中間式精準的其他是層度 投影可以算是模糊的降維 模糊運算他的交集(相加)取最大值聯集(相乘)取最小值 ![](https://i.imgur.com/68wRRjH.png) ![](https://i.imgur.com/j84WAOb.png) ![](https://i.imgur.com/OQykeqW.png) ![](https://i.imgur.com/pcvxDDA.png) ![](https://i.imgur.com/ug3BvJ3.png) ![](https://i.imgur.com/3sna7AO.png) ![](https://i.imgur.com/Gzm4qkG.png) Fuzzy整合可以從觀點1圖中裡的這四大領域做結合，且Fuzzy它就像我們人的左腦邏輯運算一樣使AI的思考可以更像人。 ![](https://i.imgur.com/fNnsoXf.png) Fuzzy logic缺點:是需要Knowledge base的提供，如果沒有專家去建立的話沒辦法做應用開發。 模糊推論系統(FIS): 1.每次輸入會是精準值須做模糊化變成模糊輸入。 2.做完模糊推論的規則會產出模糊集合輸出。 3.想要有精確的輸出必須做Defuzzifer。 4.在做建模糊化、推論工程、解模糊化需要有模糊知識庫。 知識建立: 1.將問題變成符號表示概念，也就是圖中IF then架構。 2.藉由此架構建立映射的關係 3.在建模時y會依解決問題來去表示當下示微分方程還是函數的關係 ![](https://i.imgur.com/x1SGXye.png) 模糊數:模糊數是針對模糊集合的某些動作做限制。 ![](https://i.imgur.com/b8r4Y11.png) 模糊集合方法: 1.模糊關係 2.模糊數 3.延伸定理 4.模糊最佳化 模糊測度方法: 1.模糊積分 模糊邏輯方法: 1.語言變數 2.模糊演算法 3.近似推論(在做模糊邏輯比較重要的地方) ![](https://i.imgur.com/v1QuIdT.png) 模糊集合如果是離散的話會像圖中底下那串供式表示。 模糊集合如果是連續型的則是會使用圖中底下的積分公式表示。 ![](https://i.imgur.com/YYDof2b.png) ![](https://i.imgur.com/9zfoI8O.png) ![](https://i.imgur.com/Fhh4rxq.png) ![](https://i.imgur.com/J8FfiAC.png) ![](https://i.imgur.com/vP7qgUk.png) 單條條rule:不用擔心有聚合的問題 多條rule:則需要擔心聚合、已經要取最大值或是最小值等問題 ![](https://i.imgur.com/GWsf4wJ.png) 高斯兩條rule的計算 ![](https://i.imgur.com/HIjIwTz.png) ![](https://i.imgur.com/ToFNFFG.png) 聚合概念 AND運算: 1.取最小值 2.rule是交集 OR運算: 1.取最大值 2.rule聯集 ![](https://i.imgur.com/76eaNrB.png) ![](https://i.imgur.com/wkNm5AC.png) ![](https://i.imgur.com/CExXXNK.png) 在TSK Fuzzy Model裡 z這個函數可以用線性、非線性或者是微分方程式來表示。 且此Model在做模糊整合較為簡單 ![](https://i.imgur.com/6XT2U7z.png) ![](https://i.imgur.com/KUa0tRl.png) 解模糊化可以用圖中5種做法 其中重心法COA運算較為複雜所以比較難做 ![](https://i.imgur.com/GSSCsAU.png) ![](https://i.imgur.com/pyw43FC.png) ***4/14*** ![](https://i.imgur.com/y8NYoqL.png) ![](https://i.imgur.com/yNxgJt6.png) ![](https://i.imgur.com/m2rUHnW.png) Type-2 Fuzzy 與前一代不同的是他比較一般化，且較為複雜可以處理較多的不確定性 Type-2要做解模化可能會要降成一階 聯集 maxmum ![](https://i.imgur.com/XgOCD8s.png) 4/28 ***NLP(自然語言處理&神經網路語言處理)*** ![](https://i.imgur.com/2j8lVar.png) ![](https://i.imgur.com/UqjsWem.png) ![](https://i.imgur.com/Hgzfji9.png) ![](https://i.imgur.com/0PQmn4Y.png) NLP=NLU(語言理解)+NLG(語言產生) ![](https://i.imgur.com/yLQwVS4.png) ![](https://i.imgur.com/LR2NVDd.png) ![](https://i.imgur.com/g4WNX8H.png) ![](https://i.imgur.com/V3pdUPK.png) ![](https://i.imgur.com/mlOjBkz.png) ![](https://i.imgur.com/l7MyBed.png) 向量:200~400 ***強化學習*** 強化式學習就是屬於監督式還是非監督式學習這兩種則中去做(例:離散學習也算是強化式學習) ![](https://i.imgur.com/C37SXIr.png) 強化式學習可以分成兩大類分別為: 1.MDP已知 模型會使用動態規劃分以下兩種: (1).策略迭帶 (2).值迭帶 可以藉由以上兩種迭帶方法讓model知道目前訓練出來的結果好不好 2.MDP未知 馬可夫決策過程是隨機(不確定性)的輸入模式所以須使用MDP 模型藉由以下兩種建表來得出最好的結果: (1.)蒙地卡羅方法 (2.)時序差分 但這種方法無法知道決策過程 ![](https://i.imgur.com/8CsDW6u.png) Model based 方法取樣較快原因是建立在Model是在已知決策過程中條件下取樣效率相對應較快 Off-policy概念:把學習過程用表格建起來，或者用模擬器嘗試把未知的東西用表格建起來，也因為這原因在用這種方法做學習model取樣效率也會比On-policy來的好 ![](https://i.imgur.com/iwftYtp.png) ![](https://i.imgur.com/livQcx0.png) ![](https://i.imgur.com/ITO5gt2.png) Agent會透過以下三種跟環境去做連結與變化並給予相對應的獎勵或評斷 1.Observation:觀察當下的狀態 2.Action:對當下的狀態去做策略 3.Reward:可以透過這函數去做評論 ![](https://i.imgur.com/FfTpolB.png) ![](https://i.imgur.com/o66Ovvq.png) ![](https://i.imgur.com/5X5dWek.png) ![](https://i.imgur.com/KMLjc19.png) ![](https://i.imgur.com/abNpDa6.png) 在強化式學習裡獎勵函數可分成Rewards、Returns Rewards、Returns兩者差異: Rewards:它每次獎勵的內容會隨則次數增加而將獎勵內容逐漸變少(比較看重第一步好不好) Returns:它每獎勵的內容都一致不會有獎勵變少問題 ![](https://i.imgur.com/xsQgeP1.png) State-value:是將Action做期望值 Optimal action-value:是在取最大值 ![](https://i.imgur.com/pAZs8ID.png) ![](https://i.imgur.com/LLctzbj.png) ![](https://i.imgur.com/zeX1qMM.png) ![](https://i.imgur.com/DD8UTA9.png) ![](https://i.imgur.com/lbP3TPy.png) ![](https://i.imgur.com/abwsWqW.png) ![](https://i.imgur.com/1LP1Zzc.png) ![](https://i.imgur.com/JBfWnfM.png) ![](https://i.imgur.com/Ba24Gs4.png) ![](https://i.imgur.com/dPMgSuy.png) ![](https://i.imgur.com/TE22vvm.png) ![](https://i.imgur.com/tS0eO7r.png) ![](https://i.imgur.com/SdqMaqp.png) ![](https://i.imgur.com/dRyMCZd.png) ![](https://i.imgur.com/3UxTJkh.png) ![](https://i.imgur.com/bkeyZyb.png) ![](https://i.imgur.com/9eUcgZ4.png) ![](https://i.imgur.com/xKaEEdt.png) ![](https://i.imgur.com/sMZUb6O.png) ![](https://i.imgur.com/mExcGRf.png) ![](https://i.imgur.com/IoSUxM1.png) ![](https://i.imgur.com/59M2W0f.png) ![](https://i.imgur.com/vxVi5Zz.png) ![](https://i.imgur.com/uRr0pqx.png) ![](https://i.imgur.com/0kULBF2.png) ![](https://i.imgur.com/vm4b7Pk.png) ![](https://i.imgur.com/VnQw5Xj.png) ![](https://i.imgur.com/hXbm0Gb.png) ![](https://i.imgur.com/uswryNO.png) ![](https://i.imgur.com/5q7NQVP.png) ![](https://i.imgur.com/Jzyp7f2.png) ![](https://i.imgur.com/L9ON11x.png) --- ## 開放教育平台-影片(簡短重點) 物件偵測主要目的在於可以定位物體和辨識物體，那物件偵測又分為2大偵測方式 1. Two stages detection(二段式偵測) 2. single stage detection(一段式偵測) 二段式偵測主要偵測速度慢但是辨識物體準確度高 一段式偵測主要偵測速度快但是辨識物體準確度相對二段式偵測低 ![](https://i.imgur.com/xl7CaDI.png) ### 演算法 一段式偵測的物件偵測演算法的代表為 Yolo (You Only Look Once)和SSD... 二段式偵測為 1.R-CNN、2.Fast R-CNN、3.Fasted R-CNN和4. R-FCN ... ### 評估模型好壞的指標 ![](https://i.imgur.com/12l4fai.png) 1.TP(True Positive)、2. FP(False Positive)、3. TN(True Negative)和4. FN(False Negative)。此外也利用這4種指標延伸出了2種新指標為Precision(精確度)和recall(召回率) ![](https://i.imgur.com/QwCUsRn.png) ### Training(訓練)和Inference(推論)的不同 ![](https://i.imgur.com/DWfOd0o.png) ### 深度學習的模型壓縮和加速 最常見的方法為Purning(裁剪)。那Purning有許多種方式。 1. weighting Purning(權重裁剪) 2. Layer Purning(層數裁剪) 3. Channel Purning(通道裁剪)等許多方式進行壓縮 ![](https://i.imgur.com/3dSGMFy.png) ![](https://i.imgur.com/fmdgUxK.png)