SITCON 2020 共筆大集合

• SITCON 2020 議程表：https://sitcon.org/2020/agenda
• 其他演講廳共筆：
  • R1: https://hackmd.io/
  • R2: https://hackmd.io/
  • R3: https://hackmd.io/

• R0 共筆
• R1 共筆
• R2 共筆
• R3 共筆

歡迎大家來到SITCON 2020 ヽ(✿ﾟ▽ﾟ)ノ

slido: https://app.sli.do/event/ozdireqh/live/questions

機器學習 ~= 找一個函式的能力(根據資料)

依照函式種類，會有不同做法:

EX: 迴歸、分類( alphago 其實也是一種分類問題)

除了上述以外，還有 generation(生成)，可以生成句子、圖片等，可以擬人化的創出各項成果。

EX: Google Big GAN

怎麼告訴機器要找的函式?

貓照片輸入 -> 函式訓練 -> 對應貼標的貓（labelled data）-> 找出 loss 最低。

學習型演算法(learning Algorithm)
EX: Gradient Descent

函式庫：tensorflow, keras, …

所有問題都被解決了嗎?

機器容易被欺騙

• 貓圖片進去，回答出 Tiger Cat（正確）
• 可是:如果加入雜訊（人眼可能無法察覺） -> 會回答出Star Fish（錯誤，而且演算法的判斷信心會過高）
• EX: 圖片會因為雜訊多寡，而導致判斷成不同品種或標籤。

新的資安問題

影像、語音、文字辨識的相關應用可能不安全

影像辨識

戴上有特殊花色的眼鏡，就會被影像辨識系統認成另一個人。

語音辨識

偵測一段語音是否合成。

EX:銀行語音系統的語者辨識系統被合成聲音騙過。

文字相關應用

在訓練文章末尾插入 .. to kill America people ，結果 AI 得出答案都變成
.. to kill America people

正確答案 ≠ 智慧

Case study : Pokémon（寶可夢） vs Digimon（數碼寶貝）

• 訓練神經網路判斷
• 未知圖片正確率 Testing accuracy ：98.4%

可解釋性 AI （Interpretable AI）

• 機器告訴我們他為什麼知道答案

機器預期的位置跟人的經驗不一樣

• PNG 有透明背景
• JPG 背景有顏色
• 左下角可能有段字，說明從哪裡下載下來的圖片。

看似未卜先知，其實可能只是抓到人類出題的漏洞!

• Question: What did Telsa spend Astor's money on?
  reduced: did? （得到相同答案）

• Question: What color is the flower?
  reduced: flower?（得到相同答案：yellow）

機器學習學不會新技能！

透過不斷教機器新技能，讓機器得到許多技能，But…

• 題型五的正確率，在前四題學習時並不會，所以得不到答案
• 學習題型五時後，會得到正確解答
• 可是學習題型六之後，可能就會忘記題型五的解答案得不到正確解答

Catastrophic Forgetting

• 瞬間忘光光（腦袋有洞的人，學新的就丟舊的）

是不是機器能力不夠啊？

不同題型的閱讀理解

1. 依序學學不會
2. 一起學就 OK

不是能力不夠

Life-long Learning

• 希望機器能夠像人類一樣: 終身學習

更有效率的學習

今天的學習：

• 輸入：有標注資料
• 輸出：最佳函式
• 訓練（找函式）用演算法：缺乏效率
  • 機器完星海爭霸：換成人要訓練 200 年

學習如何學習 = Meta learning

Machine learning : 根據資料找一函數 f 的能力

Meta learning: 根據資料找一個 找一函數 f 的 函數 F 的能力

機器學習

$\approx$ 找一個函數的能力（根據資料）

Supervisored learning 督導式學習：需要提供輸入與輸出資料的關係
Unsupervisored learning 非督導式學習：不需要提供輸入與輸出資料的關係

Voice conversion :

• Past
  • 阿笠博士的領結變聲器
  • 過去需要有 labelled data
• Now
  • 字詞不一樣也能合成聲音
  • 不需要手動提供含是的輸入輸出對應

Unsupervised Voice conversion :

• Only one utterance from each speaker (one-shot learning)
• 講者 <—> 新垣結衣

機器學習待解問題（工商）

• 台大電機 機器學習 youtube
• 李宏毅教授 Youtube

QA

電機系

顯卡

• 業界： 1000 張

大量耗電

• 大量用顯卡，需要大量運算，但不一定是人工智慧的最終答案，未來或許會有別的方法

量子機器學習

• 如果量子電腦能提供更多運算資源會有機會

非資訊背景學 Machine Learning 如何下手比較好

取決於學的程度

• 只是要避免被報章雜誌誤導：基礎就好

前瞻研究

• solid 數學基礎
• 要會寫程式

高中生學 Machine Learning ，選擇電機還是資工

• 不一定要限定自己在哪個系學 Machine Learning
• 學習面向是多元的

數學基礎培養建議

• 工科或電子：必修學好