人工智慧的演進
- 符號邏輯(1950-1960): 一種基於數學邏輯的形式化推理方法。符號邏輯可以用於推理、定理證明和形式化知識表示等領域。然而，符號邏輯在處理不確定性和模糊性方面存在困難，並且對於現實世界中複雜的問題可能不夠靈活。
- 專家系統(1980-1990): 一種基於知識表示和推理的AI系統。它借助專家的知識和經驗來解決特定領域的問題。專家系統將專家知識編碼為規則、條件和結論的形式，並使用推理引擎來解釋和應用這些規則。專家系統在早期的AI研究中得到了廣泛應用，特別是在診斷、監控和決策支持等領域。然而，專家系統的主要限制在於對知識的表達和推理能力受限，且對於知識的獲取和維護需要大量的專家參與。
- 機器學習(2010-Present): 隨著AI的發展，新的技術和方法不斷涌現，如機器學習、深度學習和統計方法，這些方法更加強調從數據中學習和模式識別，並能夠處理現實世界中的複雜問題。
讓機器自己從圖片中尋找差異
博藍尼悖論(Polanyi’s Paradox)認為人類能表達的，遠比人類所知道的少
莫拉維克悖論(Moravec’s Paradox): 對於機器而言，人類的直覺，遠比人類的推理來的複雜 (更多運算資源)
讓電腦自己學習
從規則驅動變成資料驅動，只是原本是人從資料去定義規則，現在則是由電腦來找到規則
為了讓電腦更有效率地找到規則並在提取特徵之後辨識物體，可以採取以下方法：
- 架構化資料：確保找到的東西具有一定的結構和組織。這包括在數據中添加元數據、標籤或層次結構，以便電腦能夠更容易地理解和處理這些資料。例如，在圖像識別中，可以添加標籤、分類和層次結構，以區分不同的物體和屬性。
- 特徵提取和描述：利用機器學習和計算機視覺技術來提取物體的特徵。CNN（卷積神經網絡）是一種常用的技術，可以從圖像中提取特徵。這些特徵可以包括顏色、紋理、形狀、邊緣等。通過提取特徵，電腦可以將複雜的資料轉化為可計算的形式，並進一步進行辨識和分類。
- 模式識別和機器學習：利用模式識別和機器學習算法，讓電腦能夠學習從提取的特徵中辨識物體。這包括監督式學習和無監督式學習等方法。透過建立模型並訓練它們使用大量的樣本資料，電腦可以學習如何從特徵中識別和分類物體。
- 多模態學習：結合不同模態的資訊，例如視覺、聲音、質地等，以提高辨識的準確性和鮮度。這涉及到整合不同感測器或多種資料源的資訊，並設計適當的模型和算法來處理這些多模態資訊。
應用範例
糖尿病的視網膜病變
https://www.kaggle.com/datasets/eishkaran/diabetes-using-retinopathy-prediction
魔術橡皮擦，可以自動去把相片的很多背景雜物移除
https://www.kaggle.com/datasets/utkarshsaxenadn/human-body-background-remover
利用Diffusion實現圖像生成
https://www.kaggle.com/datasets/dschettler8845/diffusiondb-2m-part-0001-to-0100-of-2000
機器學習的流程
4D Process包括Define Problem, Data Collect, Develop Model, Deploy Model
- 定義問題：這是解決問題的起點。在這一步中，我們明確定義問題的目標和範圍，確定我們想要解決的具體問題。這包括確定問題的背景、目標、限制條件和預期的結果。在這個階段，我們也需要了解問題的相關方面，與利益相關者進行溝通，以明確問題的需求和期望。
- 數據收集：在這一步中，我們收集和整理與問題相關的數據。數據可能來自不同的來源，如數據庫、日誌文件、傳感器、網絡等。收集到的數據應該具有代表性，且能夠支持模型開發和解決問題的需求。在這個階段，我們也需要進行數據清理和預處理，以確保數據的質量和一致性。
- 模型開發：在這一步中，我們根據問題的要求和數據的特性開發相應的模型。這可能涉及選擇和應用適當的機器學習或統計方法，進行模型設計和訓練，並進行評估和優化。模型開發的目標是利用數據來建立一個能夠解決問題、預測結果或提供洞察的模型。
- 模型部署：在這一步中，我們將開發好的模型應用到實際環境中，以解決問題或提供服務。這可能包括將模型集成到軟體系統或應用程式中，進行系統測試和驗證，並確保模型在實際場景中的效能和可靠性。模型部署的目標是使模型能夠實際運行並發揮其應用價值
