人工智慧、機器學習、深度學習是甚麼？

開始之前我先來說說關於人工智慧、機器學習、深度學習最近這幾年應該非常常聽到這些好像很厲害的東西，感覺好像一樣欸、差不多但是又不清楚到底是甚麼，所以先來釐清三者的不同，請看下面這張圖片：

人工智慧

最近這幾年人工智慧變得非常非常的熱門，大家通通都在講人工智慧這個詞，但其實早在1950年代 AI（artificial intelligence）這個詞就已經出現了。那人工智慧這個詞到底是誰麼意思呢？其實就跟它這個詞本身的名字一樣，他的終極目標就是要讓機器 變得跟 人 一樣聰明。

但在那個年代，很長的一段時間，人們並不知道要如何實現人工智慧，直到1980年代的時候，開始有了機器學習的方法，顧名思義就是讓機器有學習的能力。而機器學習跟人工智慧有甚麼關係呢？

機器學習

人工智慧是我們的終極目標，而機器學習就是我們要達到這個目標的手段，我們讓機器跟人一樣有學習的能力，使他能夠跟人一樣的聰明。而深度學習和機器學習有甚麼關係呢?

深度學習

深度學習就是機器學習的其中一種方法。還記得國中生物課上過生物的行為取決於兩件事 :"先天和後天的學習，同理機器也是一樣，先天即來自他的創造者，就是人類，事先幫他設計好，後天的學習是說，我們給機器大量的data讓機器從這些資料和經驗中學習並找到其運行規則，最終達到我們的終極目標人工智慧

總結

人工智慧這個概念可以追朔到1950年代，是相當長的一段時間。到了1980年，機器學習開始越來越受歡迎。大約到了2010年，在深度學習方面有了重大的進展。基本上這三個詞是緊緊相連缺一不可，深度學習推動機器學習，最後實現了人工智慧。

說了那麼多我們趕緊進入我們期待已久的How Google does Machine Learning課程吧！

1.Intro to ML on GCP Specialization

這便介紹到課程當中實作或演示會在GCP(Google雲端平台 Google Cloud Platform)上運行，並使用python程式語言進行編程，另外也結合了像 BigQuery與Tensorflow此類的開源軟件使我們的機器學習數據模型更加便利。

2.Specialization Agenda

2.1 Why ML

這單元介紹了整個ML在GCP上的工作方式，
特別提到必須清楚明白整個ML在GCP上的架構，
有助於未來在機器學習整個大局上同時獲得其他更好的支持。

2.2 ML with Tensorflow

使用Tensorflow進行機器學習必須要注意兩件事：

1.建立一個好的機器學習數據集

2.使用TensorFlow構建您的第一個機器學習模型

最重要的是一個良好的數據集，我們使人工智慧最終是要跟人一樣聰明，
為了做到這點，我們不得不使用良好的數據集去做訓練，
良好的數據才能夠更多的人工智慧，
在訓練同時會有失敗的情況是正常的，
通常這時候就要回來檢查創建機器學習的方式。

2.3 Improving ML Accuracy

在機器學習的同時有多種措施來改進機器學習模型，
務必把這些重要的觀念和方法放進你的工具箱，
在面對不同情況下使用不同的方法，
這會有利於未來順練ML模型結果提高精準度，
更重要的是熟記並通曉其觀念並能舉一反三，
必須花時間去理解消化只知道其概念是不夠的。

2.4 ML at scale

在這章節將會討論，
如何使用ML模型進行部署和預測並投入工作，
最後將產品帶入商用階段，大概會朝這三個方向進行：

1.以分佈式地方式進行大規模訓練
(training it at scale in a distributed way)

2.提供預測
(serving out the predictions)

3.建立ML模型的端到端
(building a Machine Learning model end to end.)

然後注意到這裡 這部分相對之前困難很多
許多專業的ML工程師也常在這裡失敗

在這之後我們將討論

1.如何訓練
(how to train, deploy)

2.使用ML模型進行部署和預測
(predict with ML models in a way that they're production ready)

3.使其生產就緒
(delve back into Machine Learning theory)

最後，我們深入研究ML理論
ML理論是heuristic(啟發式)的，
也就是說我們幾乎只能利用一些工具與技巧。
到時候也會介紹幾種方法在訓練時更有效。

2.5 Specialized ML models

最後一章節會介紹如何建立你個人化的演算法，
大多數的ML工程師通常也會在職業生涯中某些階段建立起個人化演算法。
或許到最後只會建立一種ML系統，但在成功建立強大ML系統之前，
會一直反覆用到前四章學的東西，碰到新的東西也不要跳過，當做是複習的東西，思考並學會運用，你將會更強大！！

3 Why Google

Google內部的應用幾乎都使用了機器學習

影片中舉例的Google相簿 智能回復信箱 Google翻譯 youtube推薦影片演算法 垃圾郵件偵測 自動駕駛等等都可以找到機器學習應用其中，其實和我們生活息息相關，平常都在用只是我們都視為稀鬆平常的事情罷了

從2012年0個ML到2016年底4000個機器模型
沒錯！4000個！近幾年機器學習非常熱門也不是沒有原因的吧

4 why google could

未來會在Google Cloud上構建我們的機器學習
特別要注意 大多數工程師或數據科學家
會花很多時間在最左邊複雜的管道

但是真正的ML核心是在右側的部分

對那些數據科學家來說，數據工程並不困難
但是對我們這些普通人來說，沒有相對的基礎就必須要花更多時間在上面
所以google could降低了門檻，讓我們只需要託管基礎架構，
依靠強大的擴展性， 可靠性和純粹的工程設計，就能做出簡單卻強大的ML應用

參考資料

Google ML 課程
NVIDIA-BLOGS-whats-difference-artificial-intelligence-machine-learning-deep-learning-ai
Mobile first to AI first - Google I O'17

結語和一些小心得

做測驗時遇到一些小問題，
我沒來的及在限時內完成測驗，
我就寫信到google課程詢問，
課程那邊很快就回覆我了，
並幫我延期那些測驗時間。
真不愧是google等級的課程，
行政效率高處理問題也超快的給個讚。

感謝閱讀 今日里程數－4580字

如果圖片侵權通知我，我會將圖片刪除

-待更新