# 2017人工智慧年會筆記
- 2200人參與
- 今年新增大宗參與團體：電子製造業
- 人員組成前三：工程師/中階主管/學生
- 台灣人工智慧學校： http://aiacademy.tw
- [議程表](http://datasci.tw/agenda/?conf=AI)

---
## Day 1
---

### [==`1_R0: Taiwan's Opportunities in the AI-First World`==](http://datasci.tw/lfchien/)
>[name=簡立峰Google Taiwan 董事總經理][color=#30accc] [time=Thu, Nov 9, 2017 09:30, R0]

- [Google 簡立峰：AI 時代，如果你家有兩個小孩，一個出國賺錢，另一個把家裡照顧好](https://www.inside.com.tw/2017/09/27/ai-industry)
- 應把焦點放在全球化與台灣角色定位
- Mobile-First -> AI-First
- Highlight: 圖像辨識是目前做得最好的應用
- 未來兩三年的可能新應用：自動駕駛
- 思考：多出來的時間可能增強手遊、直播行業/ 但不利於保險業
- Open Source極為重要
- 開發流程：先以Prototype探測使用者反應而後再開發
- [Progress in AI (wiki)](https://en.wikipedia.org/wiki/Progress_in_artificial_intelligence)
- **人類與生俱來的能力很難AI化，人類後天習得的能力較容易AI化**
- 2000-2015 是台灣錯失的時間 (台灣因金融風暴收回許多投資)
- 台灣沒有橫向連繫 (B2B模式有保密義務)，沒有Open Source文化
- 2007 iPhone/Android/Facebook/Youtube
- Paradigm Shift: software is eating the world
- Behavior is converging(電視->電腦->手機)
- manufacturing-based -> service-based
- Trends: Smartphone as AI supercomputer
- 個資 --> 儲存於手機
- Trends: AI at Home
- Trends: AI on Carl
- Trends: Drone: Next Camera Follows You
- 台灣優勢：硬體有優勢 應用要把握
- 建議跨領域，把軟體人才放在不同領域
- 軟硬整合/ 智慧製造/ 智慧醫療/ 智慧照料
- 信賴服務

### [`2_R0: Optimizing for User Experience with Data Science and Machine Learning`](http://datasci.tw/edchi/)
>[name=紀懷新Google Research Scientist][color=#30accc][time=Thu, Nov 09, 2017 11:00, R0]

- Happy Engaged Users
- 從人的觀點開始：思考人與人的關係，人與機器的關係
- measure 用戶體驗
- 互動翻譯 (解消人與人溝通的障礙)
- The Recommendation Problem (User/ Context/ Item)
- 使用RNN做推薦功能 (Sequential feature with time parameter)
- Measure --> Optimize --> Impact
- 何為正確的量測 (高層可能帶有預設立場去限定量測標的，但需聽取底層意見)

### [`3_R0: Recent advances of deep learning in Google`](http://datasci.tw/ccchiu/)
> [name=邱中鎮Google Brain Software Engineer][color=#30accc][time=Thu, Nov 09, 2017 11:50, R0]

- 提昇正確率的有效的方法：調整Architecture (費時)
- Learning the architecture (機器設計Architecture節省人力)
- [Learning Transferable Architectures for Scalable Image Recognition](https://arxiv.org/abs/1707.07012)
- Sequence-to-sequence with attention (for 翻譯功能)
- 新應用例子：
- Predictive tasks for healthcare (病例影像辨識)
- Robotics: (讓機器學習/模仿行為模式)
- Robotics: Learning from simulation
- TPU (Tensor Processing Unit)介紹
- TensorFlow (已支援多種語言，包含JavaScript)
- g.co/brain
- 想想有無更簡單的方法再使用Deep Learning

### [==`4_R0: Representation Learning on Big and Small Data`==](http://datasci.tw/eyuchang/)
> [name=張智威 (Edward Y. Chang)HTC Research & Healthcare President][color=#30accc][time=Thu, Nov 09, 2017 13:30, R0]

- [DeepQ](https://deepq.com/)
- 複雜變數 (for example 300, 000 parameters) -> Big Data is requirement
- Internet Economy (APP市場飽和，有1.5 billion user才能賺錢)
- **VR/AR + AI Opportunites**
- IoT devices
- AI：暴力解法 : 使用Big Data
- 輔助醫生決策

### [`5_R2: Amazing GANs`](http://datasci.tw/ironhead-chuang/)
>[name=莊鐵鴻KKStream Engineer][color=#30accc][time=Thu, Nov 09, 2017 14:35, R2]

[PDF](https://drive.google.com/file/d/0B__CRtmLqhr1TGEtVzkzQ0pYX0o4d2dCRHlFcjVhaFA5dGE4/view)
- 學習建議：
- Get GPUs
- TensorFlow
- 勤讀Paper
- 課程[cs231n](http://cs231n.stanford.edu/syllabus.html)

### [`6_R2: 兩位跨域者的深度學習之路`](http://datasci.tw/seanyu/)
>[name=游為翔 中央研究院資訊科學研究所資料科學家][name=楊証琨 中央研究院資訊科學研究所資料科學家][color=#30accc][time=Thu, Nov 09, 2017 15:25, R2]

- reinforcement & observation learning 也是心理學上的理論
- [研之有物](http://research.sinica.edu.tw/)
- Python VS R (視需求選擇)
- 傳統方法有時較好，不需要硬套Deep Learning

### [`7_R2: 預測式分析於商務服務之應用與挑戰`](http://datasci.tw/wchwang/)
>[name=黃維中工研院巨資中心副主任][color=#30accc][time=Thu, Nov 09, 2017 16:40, R2]

- 解讀過去/預測未來 -> 現在做出決策
- 消費偏好：
- Many problems can be represented as matrices -> matrics分解
- 統計+降維
- 原物料價格：
- 計量經濟-時間序列 ARIMA
- Hybird Model: ARIMA+Neural Network (ARIMA-NNET)
- 商品趨勢：
- 因素關聯分析
- RNN
- 金融理財：
- KYC客戶理解/ 投資軌跡
- 混合式模型效果顯著 (統計式+機器學習 / 時間序列 + 神經網路)
- 外部/非結構資料的理解仍是難題

### [`8_R2: 機器智能與人類行為: 跨領域決策分析於醫療應用`](http://datasci.tw/cclee/)
>[name=李祈均清華大學電機工程系助理教授][color=#30accc][time=Thu, Nov 09, 2017 17:30, R2]

- 人類行為訊號
- 可紀錄的行為量化辨識
- AI- behavior analysis
- 機器智態：透過量化高維度空間、輔助加速專家判斷(流式細胞儀)
- 節省時間花費/ 高準確度
- 機器智能：透過行為計算直接進行疾病風險評估 (預測中風)
- 機器智能：非結構式人行為記錄應用於醫療上(聲音影像文字)
- BSP (Behavioral Signal Processing)
- 機器智能：透過行為計算量化感受 (痛覺評分指數/ 自閉)
- LSTM
- 規模化一致計算人行為、量化感受、改進醫決策療可能性
- 人本運算( Human-centric Computing)
- 提供專家決策工具、全新各種的可能 (顯微鏡：不只是放大)
- 12月有Emtion-AI演講

---
## Day 2
---

### [==`1_R0: AlphaGo－深度學習與強化學習的勝利`==](http://datasci.tw/ajahuang/)
>[name=黃士傑Google DeepMind Research Scientist][color=#30accc][time=Fri, Nov 10, 2017 09:15, R0]

- **人因夢想而偉大**
- DeepMind: Solve intelligence. Use it to make the world a better place.
- AphaGo -> Master -> 徹底脫離人類知識的AlphaGo Zero
- 人類下圍棋的直覺：策略網路 (Policy Network)
- AphaGo的最主要突破：判斷形勢的價值網路 (Value Network) - David Silver的創見
強化學習結合深度學習/ 左右互博的自我學習/ 克服overfitting
- 科學的精神在於互相分享 --> 所以先寫論文再挑戰李世石
- Tensor Processing Unit (TPU) 幫助很大
- 再進階的原因 - 第四盤AlphaGo的初學者錯誤
- AlphaGo Master :
- 13 layer -> 40 layer
- Dual Network (20 -block ResNet)
- 改善Trainning pipeline, MCTS
- AI的未來- 人類的工具、與人類合作 (烏鎮比賽經驗)
- AlphaGo Zero 3天走過人類幾千年圍棋研究的歷程
- AlphaGo: 深度學習+強化學習的勝利
- 硬體資源與TPU扮演重要角色
- AlphaGo Zero展示了強化學習的巨大潛力
- 紀錄片[<<AlphaGo>>](https://www.youtube.com/watch?v=p4iFCufhY24)

{%pdf https://storage.googleapis.com/deepmind-media/alphago/AlphaGoNaturePaper.pdf %}

[Mastering the game of Go without human knowledge](https://www.nature.com/articles/nature24270.epdf?author_access_token=VJXbVjaSHxFoctQQ4p2k4tRgN0jAjWel9jnR3ZoTv0PVW4gB86EEpGqTRDtpIz-2rmo8-KG06gqVobU5NSCFeHILHcVFUeMsbvwS-lxjqQGg98faovwjxeTUgZAUMnRQ)

### [`2_R0: CGI and CGI`](http://datasci.tw/icwu/)
>[name=吳毅成交通大學資訊工程系教授][color=#30accc][time=Fri, Nov 10, 2017 10:45, R0]

- 圍棋是AI的果蠅 (如同果蠅之於基因)
- Monte-Carlo Tree Search (MCTS)
- Reinforcement Learning (RL)
- Agent (take action) <- > Enviironment (feedback)
- Two Model-Free Reinforcement Learning
- Monte-Carlo Learning
- Temporal-Difference (TD) learning)
- Multi-labelled (ML) Value Network (與AlphaGo不同處)
- TAAI 2017 @ NTU

### [`3_R0: The Interplay of Big Data, Machine Learning, and Artificial Intelligence`](http://datasci.tw/htlin/)
>[name=林軒田Appier Chief Data Scientist][color=#30accc][time=Fri, Nov 10, 2017 11:35, R0]

- Big data (`source`) -> Machine learning (`technique`) -> AI (`outcome`)
- 資料整合 -> 使用ML方法 -> AI
- 學界：
- Small or Big Data are both important
- Focus on Model side
- 先射箭再畫靶，先有理論才想應用
- 業界：
- 可成熟運作的系統是重點
- Domain是重要的(思考如何放進系統)
- Top-down: 解決需求為主
- From Big Data to AI?
- why not, 是很好的POC
- AI目標：easily - intelligently
- Has Big Data Made AI Easier?
- possibly. but easier than what?
- 四個重點:
- Simple Model
- feature processing
- complexlty control
- model selection
- 進業界後的重心改變：
- feature processing * based on domain knowledge
- model selection *properly and systematically
- Working with big data systems and system people
- resource constrains

### [`4_R1: 時空軌跡分析技術於人流與載具預估`](http://datasci.tw/wcpeng/)
>[name=彭文志交通大學資訊工程系教授暨多媒體研究所所長][color=#30accc][time=Fri, Nov 10, 2017 13:15, R1]

- 人流動線不易掌握(若只有track in / out資訊)
- 使用Cellular data from mobile phone (電信公司提供)
- [ptx平台 公共運輸整合資料流通服務平台](https://ptx.transportdata.tw/PTX/)
- 需解決uncertainty/ oscillation issue
- [Demo](http://gpxlcj.github.io)

### [`5_R1: 從手解演算法看 AI，搶錢搶糧搶未來`](http://datasci.tw/ilovekalvar/)
>[name=林國銘遠時數位科技 Sr. Manager][color=#30accc][time=Fri, Nov 10, 2017 14:05, R1]

[PDF](https://drive.google.com/file/d/1wu-r-HVrtY5ii79lLTEmN8Ipvp-KNMdC/view)

- 只專注於應用面而不重視基礎演算法會失去競爭力
- 請[google 達摩院](https://www.google.com.tw/search?q=%E9%81%94%E6%91%A9%E9%99%A2&oq=%E9%81%94%E6%91%A9%E9%99%A2&aqs=chrome..69i57j0l5.8506j0j7&sourceid=chrome&ie=UTF-8)
- 不再是Tensorflow+GPU就能搞出一片天的時代
- 學習沒有懶人包
- [台灣機器學習社群](https://www.facebook.com/%E5%8F%B0%E7%81%A3%E6%A9%9F%E5%99%A8%E5%AD%B8%E7%BF%92-227523057274498/)/手撕演算法社群
- [Youtube 台灣機器學習](https://www.youtube.com/channel/UCFo-MaY7Lt2884nW4CL8siA) (手解演算法)
- 堅持從底層著手

### [`6_R1: 運用 Spark 與電腦視覺科技協助瀕臨絕種的雪豹`](http://datasci.tw/herman-wu/)
>[name=吳宏彬大中華區微軟 Technical Evangelist][color=#30accc][time=Fri, Nov 10, 2017 14:55, R1]

- VoTT (lable open source tool)
- Microsoft Cognitive Toolkit (CNKT, the fastest toolkit for RNN)
- MMLSpark
- Power BI

### [`7_R0: 大數據情緒分析的經驗分享`](http://datasci.tw/yishin)
>[name=陳宜欣清華大學資工系副教授][color=#30accc][time=Fri, Nov 10, 2017 16:10, R0]

[PDF](https://drive.google.com/file/d/1OR44pOhH4rUmiIOUEL4mZGfxXh7IZD3s/view)
- Crowdsourcing (群眾的潛意識)
- Twitter with hashtag
- 非情緒資料-新聞
- 向孩子學習

### [`8_R0: 認知神經科學 x人工智慧`](http://datasci.tw/tren-huang)
>[name=黃從仁臺灣大學心理學系助理教授][color=#30accc][time=Fri, Nov 10, 2017 17:00, R0]

{%slideshare TrenHuang/x-81854373 %}

- 認知神經科學 (心智-大腦)
- 人工智慧/認知科學 (心智-電腦)
- 類神經網路/計算神經科學 (電腦-大腦)
- 兩個領域可以共演化 (更了解人類心智運作/更好的人工智慧)
- 如何設計/了解深度學習網路？ --> **從認知神經科學找答案**
- CNN在許多層面上仿製人類物體辨識系統
- 大腦處理What & Where會優先處理Where
- Attention 機制 -> Enhance Signal
- 知覺--> 記憶 --> 動作 (所以RNN加入短期記憶機制)
- 把Machine Learning(黑盒子)當人研究