一、人工智慧、機器學習、深度學習

1.人工智慧(Artificial Intelligence)：
人工智慧的概念從1950年代開始，目標是希望電腦能像人類一樣思考。
被稱為電腦之父的圖靈提出了圖靈測試，人類與機器透過電傳設備對話，如果人類無法透過對話判斷對方是人類還是機器就算通過測試，認定這是一台有人工智慧的機器。
強人工智慧:機器能具有與人類相同完整的認知能。
弱人工智慧:機器不需要具有與人類相同完整的認知能力，只要看起來有智慧就行啦。

2.機器學習(Machine Learning)：
機器學習是透過演算法使用大量資料訓練機器後產生模型，當未來有新資料時，能透過模型產生預測。可分為監督式學習(Supervised Learning)與非監督式學習(Unsupervised Learning)和增強式學習(Reinforcement Learning)。

3.深度學習(Deep Learning)：
深度學習模擬人類的類神經網路運作方式，常見的有多層感知器(Multilayer Perceptron)深度神經網路DNN(Deep Neural Network)卷積神經網路CNN(Convolutional Neural Network)遞迴神經網路RNN(Recurrent Neural Network)。
深度學習特別適合用於視覺辨識、語音辨識、自然語言處理和生物醫學領域。

機器學習近年蓬勃發展的原因：
早期因大量資料取的不易，導致機器學習進展緩慢。
1.大數據Big Data分散式儲存與運算：
隨著全球機器設備系統連接產生大量數據加上分散式儲存提供大量資料。加上輛伺服器的平行運算功能提供龐大運算能量。龐大的資料量加上運算能力的進步推動機器學習與深度學習的發展。
2.GPU和TPU平行運算：
GPU：圖形處理器透過大量核心進行平行運算可讓深度學習訓練比CPU快10~75倍。
TPU：Google 的專用機器學習晶片TPU處理速度要比GPU和CPU快15-30倍，而在能效上，TPU 更是提升了 30 到 80 倍。

二、機器學習介紹
機器學習是透過演算法使用大量資料訓練後產生模型，當有心資料後可以用模型預測，而其訓練資料由features、label組成。

1.Features：資料的特徵。例如濕度風向風速季節氣壓。
2.Label：資料的標籤，希望預測的目標。例如降雨(0代表下雨、1代表沒下雨)
3.訓練：利用過去累積的歷史資料，經過特徵萃取(feature extraction)產生feature與label經過機器學習演算法訓練產生模型。
4.預測：新輸入資料經過feature extraction 產生 feature 使用訓練模型進行預測。

三、機器學習分類：
1.監督式學習
使用feature和label透過演算法訓練建立模型。
二元分類：label只有兩種(0和1)。
多元分類：label有多個(1234…)。
回歸分析：label是連續值(氣溫)。
2.非監督式學習
從現有資料不會知道答案所以沒有label
3.強化學習
藉由動作狀態和獎勵讓機器學習執行某’項任務，例如玩超級馬力歐。

四、身次學習：
以電腦模擬人類的神經網路，通常有一個輸入層，一個輸出層跟多個隱藏層。

資料來源:
TensorFlow+Keras深度學習人工智慧實務應用
https://technews.tw/2017/04/07/first-in-depth-look-at-googles-tpu-architecture/