人工智慧（Artificial Intelligence，AI）

是一個廣泛討論和研究的領域，其主要目標是使機器或電腦系統具備像人類一樣的智慧和智能表現。

AI這個詞早在1950年代就出現，科學家艾倫·圖靈（Alan Turing）提出的圖靈測試（Turing test），模擬人與機器之間的對話，評估機器是否能夠以一種方式回答問題，使人無法區分機器和真正的人之間的差異。到了1956年的達特茅斯會議被視為AI學科的創立，也標誌著人工智慧的發展。

機器學習（Machine Learning，ML）

是人工智慧的一個重要分支，主要特點是讓機器具有學習的能力。透過分析過去的資料，學習數學統計模型的特徵和規則，來對未來輸入的數據進行預測、分析和判斷。

機器學習依據類型的不同，可以分為下列四種:

1.監督式學習（Supervised Learning）

使用標記（標籤）的數據進行訓練。這些標籤過的數據的輸入，能訓練機器做出相對應的輸出。例如，如果我們想要訓練一個圖像分類模型來區分狗和貓的照片，我們會提供大量的狗和貓的圖像，每張圖像都有相應的標籤，告訴模型哪些是狗，哪些是貓。模型會通過分析這些帶有標籤的圖像來學習區分兩者的特徵，從而在訓練完成後可以對新的圖像進行分類，判斷它們是狗還是貓。

2.非監督式學習（Unsupervised Learning）

它的特點是在訓練過程中不需要事先提供標籤或人類判斷的輔助，讓機器自行在資料的特徵中發現模式、關聯性或群集。例如，假設你有一袋蘋果，其中有兩種不同品種，你可以將這些蘋果根據它們的色相相似度分為兩組，來幫助你達到分類的目標。

3.半監督式學習（Semi-supervised Learning）

結合監督式與非監督式學習的混合方式，同時使用有標籤數據和無標籤數據來訓練機器學習。

4.強化學習（Reinforcement Learning）

主要是讓機器在與環境互動中，並評估每個行為所得到的正負向回饋，逐步學習和調整其行為，以達到最大化預期的總體效益或回報。

深度學習（Deep Learning，DL）

是機器學習的一個分支，其主要特點是模仿人腦中的神經元結構，由多個層次的神經元組成神經網路進行複雜運算。簡單來說，深度學習是一種基於神經網絡的機器學習方法。

深度學習模型能夠自動從原始數據中學習特徵，而無需手動提取特徵。

推薦內容:

淺談AI發展