期中期末上機考 各佔 30 %，平時小考作業出席佔 40 %
python 書 5 年左右過期 AI 模型 1~2 年過期
第一堂課#
各類模型#
- Media pipe 看手指關節
- open pose 看人體骨架，便是五官
- Segment Anything model -> 自動追蹤影片中的物品
- pix2pix，線條建立圖片的模型
- GPT -> Generative Pre-Training
- TensorFlow 高效能的數值計算函式庫，一個建立機器學習的框架，可幫助開發者加速機器學習的研究和開發
- Keras 支援多種後台的神經網路計算引擎，其預設引擎為 TensorFlow。用來幫助初學者快速學習各種深度學習模型
NLP Bert
Bidirectional Encoder Representations from Transformers
- BERT = Encoder of Transformer
高斯亂數，產生符合文字含意的圖片 -> stable diffusion
弱人工智慧：
- 只專注在某項任務
- 可能在特定事務上超過人類
- 不會有自主意識
強人工智慧：
- 真正能推理和解決問題的智慧
- 有知覺，有自我意識
圖靈測試：定義機器是否擁有智慧
同時對人類和機器提問，需無法分辨機器的回答為機器回答
機器至少需要以下能力
- 自然語言處理
- 知識表示法
MLP、CNN、RNN、Transformer
深度學習其實就是向量和矩陣的運算
ELMO 94 M
BERT 340 M
GPT-2 1542 M
Nobody is perfect 沒有人是完美的
I am nobody 我是小人物
= I am perfect
草莓蛋糕勝過沒有東西
沒有東西勝過永恆的快樂
NLP: Natual Language Process，自然語言處理
監督式學習
從訓練資料建立學習模型
在資料上建立標籤
可以分為
- 分類：常式預測可分類回應資料
- 回歸：常式預測連續的回應資料
無監督式學習
半監督式學習
對部分資料 (較小量) 建立標籤
只使用部分資料的關聯性訓練模型
再用該模型來預測剩餘的資料 (較大量)
是兼顧結果和經濟考量的解決辦法
強化學習
GAN: Generative Adversarial Network
第三章#
深度神經網路有
- 輸入層
- 多個隱藏層
- 輸出層
深度學習三步驟
- 建構神經網路
- 設定目標
- 匯入資料
也就是用大量的資料來訓練，並且每次檢視結果的誤差值
其輸入和輸出的資料也稱為：張量
- 向量：一維
- 矩陣：二維
深度學習常使用微分、偏微分、連鎖率來調整
深度學習的基本觀念#
- 輸入層 (input layer)：輸入訊號由 n 個特徵組成，表示為一向量 \(\boldsymbol{x} = [x_1, x_2, …, x_n]\)
- 權重 (weight)：每個輸入訊號 \(x_i\) 會有權重 \(w_i\) 各自對於此神經元的影響，記為 \(x_1w_1 + x_2w_2 + … + x_n*w_n\)
- 偏移量 (bias)：用於調整線性組合的結果，即使所有輸入為 0，也可以有非 0 的輸出
最後結果： \(z = \sum_{i = 1}^{n} x_i*w_i + b\)
最後線性組合的結果會放入激活函數 (Activation Function)，來判斷是否激活神經元
激活函數#
神經網路的種類#
- 多層感知器 (MLP)：處理分類問題和回歸問題
- 卷積神經網路 (CNN)：處理視覺神經網路
