AI基礎理論 PDF 公版教材 - 經濟部產業發展署
Document Details

Uploaded by JoyousAltoFlute5675
Tags
Summary
此 PDF 文件是經濟部產業發展署所發布的 AI 基礎理論公版教材。它涵蓋了人工智慧的基本原理、機器學習和 AI 應用。適合對 AI 技術感興趣的人士,以及希望了解 AI 與大數據關係的讀者。
Full Transcript
著作權等聲明公告 本資料所含內容與相關附屬文件均為經濟部產業發展署(下稱本署) 及所屬人員職務上所完成之著作,本署依法擁有著作權及其他相關 智慧財產權,而受著作權法及相關法規保護。業經申請並經本署授 權同意使用之個人、法人等,於使用時敬請註明出處,並僅限非商 業用途之使用。 謹提醒,倘未取得同意或授權,而...
著作權等聲明公告 本資料所含內容與相關附屬文件均為經濟部產業發展署(下稱本署) 及所屬人員職務上所完成之著作,本署依法擁有著作權及其他相關 智慧財產權,而受著作權法及相關法規保護。業經申請並經本署授 權同意使用之個人、法人等,於使用時敬請註明出處,並僅限非商 業用途之使用。 謹提醒,倘未取得同意或授權,而逕自重製、改作、公開傳輸或有 任何侵害本署著作權之行為者,本署將視違法情節逕行依相關法律 追訴。另提醒,如有違法情事,則依不同情節,除行為人個人應負 賠償責任以外其所屬單位、法人亦可能應負連帶責任。 經濟部產業發展署 產業AI三日班公版教材 單元一 AI基礎理論 目錄 1. 課程目標與先備知識 2. 課程單元 1) AI基礎概論與演進 2) AI應用概論(AI可以做什麼) 3. 案例集 3 1. 課程目標與先備知識 在課程之前,建議宜具備的知識與經驗 基礎數位素養 使用日常AI應用經驗 教學目標: 提供AI的基礎知識 探索AI技術的應用 理解AI技術的發展趨勢 4 AI基礎概論與演進— 什麼是人工智慧(Artificial Intelligence, AI) 能執行通常需要人類智慧之任務的 電腦系統理論與其發展,例如視覺 感知、語音辨識、決策和不同語言 之間的翻譯 1 讓系統或電腦設備有模擬人類思考 模式、邏輯與行為的能力,且能自 行透過數據分析的過程,持續校正、 進化2 資料來源:: 1牛津詞典 資料來源: 2許鈺屏,〈人工智慧是什麼?AI應用案例、技術、未來發展都有 的必修知識包來了〉,《未來城市 Future City @天下》,2023年4月11 日, 5 https://futurecity.cw.com.tw/article/2228。 為什麼使用人工智慧 提高效率 可自動化重複性任務,減少人工操作,提高生產和工作效率,如客服聊天機器人。 增強決策 能分析大量數據,發現潛在模式和趨勢,幫助企業做出更好的決策,如金融市場分析。 個人化服務 可以依據用戶行為和偏好提供個人化服務,提高用戶體驗,如推薦系統。 提升創新 可以推動創新,幫助企業開發新產品和服務,提升市場競爭力,如新藥研發。 解決複雜問題 可以解決人類難以處理的複雜問題,如天氣預測。 6 人工智慧的發展史 7 圖片來源: 中台山月刊246期--科技與生活:人工智慧發展簡史 圖靈測試 1950年英國數學家艾倫.圖靈在他的論文「電腦器與智慧」提出了圖靈測試, 一位人類測試員透過文字與密室裏的一台機器和一個人自由對話,如果測試 員無法分辨其對話的兩個實體誰是人、誰是機器,則這部機器就被認為透過 測試。 電腦 人 回應 問題 測試員 艾倫.圖靈 圖片來源: : https://x.com/StanfordHAI/status/1585345806617411599?mx=2 https://en.wikipedia.org/wiki/Alan_Turing 8 三個時代,三盤棋 Alpha-beta剪枝* 西洋跳棋(Checkers) 由IBM的亞瑟·李·塞謬爾(Arthur Lee Samuel)研製,該程式於1962年擊敗了當時 全美最強的西洋跳棋選手之一羅伯特·尼雷(Robert Nealy)。 核心技術包括Alpha-beta剪枝搜索和自我對弈學習評分函數(scoring function)。 程式透過評估每個位置雙方的獲勝概率,考慮棋子數量、成王棋子的數量,以及潛在成 王棋子的數量等因素,來做出最佳決策。 9 圖片來源: Rodrigo Girão Serrão, Minimax algorithm and alpha-beta pruning, 21 Nov 2021 三個時代,三盤棋 西洋棋(Chess) 1997年5月11日,西洋棋世界冠軍加里·卡斯帕羅夫(Garry Kasparov)在一場 震驚世界的人機大戰中,以2.5比3.5(1勝2負3和)輸給了IBM開發的深藍 (Deep Blue)。 賽後,IBM宣佈深藍退役。 1997年6月,深藍在世界超級電腦排名中位列第259位,計算能力達到每秒 11.38 GFLOPS(GigaFLOPS),即每秒近114億次浮點運算。 1997年版本的深藍每秒可以計算2億步棋,並能夠搜尋和估計隨後的12步棋, 而一名優秀的人類西洋棋選手大約能估計隨後的10步棋。 圖片來源: https://en.wikipedia.org/wiki/Deep_Blue_(chess_computer) 10 https://www.britannica.com/topic/Deep-Blue 三個時代,三盤棋 圍棋(Go) 2016年3月,谷歌旗下DeepMind公司的AlphaGo圍棋AI戰勝了韓國圍棋世界 冠軍、九段棋手李世石。 2017年5月,AlphaGo又戰勝了世界排名第一的冠軍柯潔。 之後,DeepMind宣佈AlphaGo將不再參加圍棋比賽。 AlphaGo的核心技術包括蒙特卡羅樹搜索、深度學習和增強式學習 採用深度卷積神經網路訓練估值網路(value network)來評估大量的選點。 藉助策略網路(policy network)來選擇落子。 使用增強式學習進一步改進效能。 圖片來源: BBC News, Artificial intelligence: Google's AlphaGo beats Go master Lee Se-dol, 12 March 2016 11 AI應用概論— AI技術的基本原理與應用 機器學習(Machine Learning)透過數據訓練模型,使機器具備預測和分類的能力 監督式學習 (Supervised Learning)-從標註的數據中學習規則 利用帶標籤的數據進行訓練,應用於spam過濾器、自動標籤分類。 例子:給電腦看1,000張標註有不同車型的圖片,然後讓電腦判斷一張新圖片上的車型。 非監督式學習 (Unsupervised Learning)-從無標註的數據中發現規則 利用無標籤數據進行訓練,應用於客群分類、降維。 例子:給電腦看一組不同類型的購物數據,讓電腦自動分群不同的購物習慣。 半監督式學習 (Semi-supervised Learning)-混合標註和無標註數據學習 結合少量標籤數據和大量無標籤數據進行訓練,應用於影像分類。 例子:給電腦看1,000張標註有花名的圖片,再看一些無標註的花的圖片,讓電腦自行學習識別。 增強式學習 (Reinforcement Learning)-通過試錯過程學習最佳策略 透過獎勵和懲罰機制,使機器學會最佳行為策略,應用於機器人控制、遊戲AI 。 例子:讓電腦學習自動調節智能溫控器的溫度設定,以達到最佳的能效使用。 12 AI技術的基本原理與應用 深度學習(Deep Learning) 利用多層神經網路的技術,模仿人腦的工作方式。 從大量數據中自動提取特徵,學習數據中的模式和規則。 應用:圖像分類、語音識別、自動駕駛。 自然語言處理(Natural Language Processing, NLP) 能夠理解、解釋和生成人類語言的技術。 讓機器能夠以自然、流暢的方式與人類進行交流和互動。 應用:語音助理(如Siri和Google Assistant)、文本翻譯、情感分析。 電腦視覺(Computer Vision) 從圖像或影片中提取有用資訊的技術。 模擬人類視覺系統,讓機器能夠 "看見"、理解和解釋視覺資訊。 應用:人臉識別、工業品質檢測、醫療影像分析。 13 AI與大數據的關係 數據驅動 AI技術依賴於大量數據進行訓練和決策 ✓ Volume(數據量):需要大量數據 ✓ Velocity(數據速度):數據生成速度快 包括數據的收集、儲存和處理 數據品質 高品質數據是成功AI應用的關鍵 ✓ Veracity(數據真實性):確保數據準確性 ✓ Value(數據價值):數據的有用性 數據清洗和標註非常重要,確保數據的準確 性和完整性 數據分析 AI技術提升了大數據的分析效率和精準度 ✓ Variety(數據多樣性):處理不同種類數據 透過使用演算法和模型,AI可以從大量數據 中提取有價值的資訊和進行分析 14 AI與大數據的關係 資料收集 資料前處理 資料分析 資料解釋 決策應用 資料庫、網路、 資料清洗、資料轉換、 探索性數據分析、 結果解釋、可視化、 策略制定、實施、 感測器 特徵工程 模型訓練、模型評估 報告生成 監控和回饋 資料收集 收集不同來源的資料,確保數據完整性 資料前處理 清洗資料,去除異常值,進行特徵選擇和工程 資料分析 使用機器學習和統計方法分析數據,提取模式和資訊 資料解釋 解釋分析結果,生成可視化報告,提供決策支持 決策應用 依據分析結果制定策略,實施應用,監控效果,並進行調整和優化 15 【案例集】 AI與大數據的關係 案例 亞馬遜的推薦系統:依據用戶的購買行為和偏好,提供個人化推薦 圖片來源: Luis Lopez Soria, “Using A/B testing to measure the efficacy of recommendations 17 generated by Amazon Personalize,” Amazon Personalize, Artificial Intelligence , 20 Aug 2020.