初探

• Wed, Feb 7, 2024
• One-minute read

An Introduction to AI.

一句話解釋 AI

Artificial Intelligence (AI) involves creating computer systems that can mimic human intelligence to perform various tasks.

AI 應用

• Surveillance (Traffic,People Flow,Action)
• Automatic Optic Inspection (Flaw)
• Medical Care (symptoms)
• Art (Image Generator)

AI 時代有潛力的系統整合應用

• Smart Pole
• AI Server + MLOPS
• Edge Device for on device training (IPC,MCU…)

所以什麼是 AI?

正如 一句話解釋 AI 所述， 要做到 mimic human intelligence。
人的神經系統就是做這件事情。比如說人眼辨識是狗還是貓，從眼睛看到影像之後是透過神經系統傳遞到大腦解析。

人體神經系統(Nervous system)由一個個神經元(Neuron)構成。以 AI 模型架構來說，就是模仿人體。換句話說:
神經網路(Neural Network)由一個個感知器(Perceptron)構成。

接下來所說到的 ML,DL 模型也是基於此概念組成。

AI & ML & DL 關係

AI 包含 Mechine Learning (ML)
ML 內涵蓋 Deep Learning (DL)

ML 與 DL 差別

1. 模型結構
   • 機器學習通常使用較簡單的模型，如線性回歸、決策樹、支持向量機等。
   • 深度學習則使用多層神經網絡，通常包含多個隱藏層。
2. 特徵工程
   • 機器學習，通常需要手動設計和選擇特徵，這稱為特徵工程。
   • 深度學習，模型可以通過學習過程中自動從原始數據中提取特徵，無需手動特徵工程。
3. 計算資源需求
   • 機器學習算法通常需要較少的計算資源。
   • 深度學習通常需要更大的數據集和更多的計算資源（GPU）來訓練，因為神經網絡層數與參數較多。
4. 可解釋性
   • 機器學習算法中，模型的輸出可以比較容易解釋，如決策樹。
   • 深度學習中，由於模型通常很深且複雜，解釋模型的輸出可能更加困難。
5. 數據需求：
   • 深度學習通常需要大量的標記數據來訓練。
   • 機器學習算法可以在較少的標記數據上進行訓練。