AI學習理論

三層式架構圖:

AI學習兩大學派

1. 法則學派Rule Based School:此學派主張世界上所有知識都能夠由「知識法則Rules」與「事實Fact」，以邏輯推論方式不斷衍生出新的知識New Fact；知識來源是人類專家解決問題的法則。

• 處理單元:法則
• 處理哲學:邏輯推理
• 例子:孔子是人(Fact)，而人都會死(Rules)➞推論出:孔子會死(New Fact)
  蘇格拉底是人(Fact)，柏拉圖也是人(Fact)，兩個人會死➞歸納得出人都會死的結論(New Fact)
• 實作:專家系統Expert System，簡稱ES
  (專家系統=知識庫KB+邏輯推理引擎Logic Reasoning Machine組成，根據輸入資料與知識庫內的法則來推理解決問題的方案)
• 優勢:推理邏輯、決策
• 劣勢:範圍大、高維度、複雜度高、非結構的資料

2. 機器學習學派Machine Learning School:機器由輸入的訓練資料中特徵歸納學習。

• 主要目的在「模型設計與分析」，以找尋到機器自動學習最適合演算法。
• 處理單元:資料的特徵值
• 處理哲學:訓練、回饋、修正、調整
• 步驟:1.訓練資料的獲取 2.資料特徵的選擇與擷取 3.建立預測模型 4.以此模型來判斷未來
• 例子:看過許多大象照片，大腦會截取其特徵，使下一次再看到動物時能依特徵規則來分辨是否為大象
• 實作:統計模型、神經網路模型
• 優勢:感知上的能力(看:圖像&人臉辨識、說:語音生成、聽:語音辨識)
• 劣勢:推理、決策、判斷

四種機器學習模式

與任務的分類架構圖:

1. 監督式學習Supervised Learning 簡稱SL

• 目前最普遍、精準度最高且應用最廣!
• 由人標記正確答案，來監督機器判斷是否正確。
• 三個階段:
  一、模型訓練階段(70%資料進行模型建立與訓練)
  二、模型驗證階段(10%~15%資料來驗證模型的準確度與可靠度)
  三、預測階段(剩下的15%~20%資料來進行模型預測)
• 主要模型:
  (1)傳統統計模型:SVM、決策樹、貝氏推理統計分析
  (2)類神經網路模型:深度學習、淺層的神經網路
• 優點:有標準答案比對➞及時修正錯誤，精確度高
• 缺點:資料量過大人工標記不好用、成本高
  架構圖:
  

2. 非監督式學習Unsupervised Learning 簡稱UL

• 完全沒有人為干預!
• 由機器本身根據資料的特徵進行分類與判斷。
• 主要任務:分群Cluster*(樣本依據距離或相似度聚為一群)和維度縮減Dimension Reducing(將多個變數濃縮成少數幾個組合變數)*
• 主要演算法:K-Means、集群分析Cluster Analysis、主成分分析PCA
• 優點:不需人工介入、速度快、成本低
• 缺點:準確率不高、無法自動修正、分群結果無法控制

3. 半監督式學習

• 介於監督式學習與非監督式學習之間，差別在於先做哪一個
• 分為兩種:
  (1)先監督後非監督
  (2)先非監督後監督:稱為遷移式學習Transfer Learning或預訓練模式Pre-training Model

4. 強化學習Reinforcement Learning 簡稱RL

• 透過每次行動得到的報酬值來決定現在狀態下要做什麼樣行動策略。
• 給目標不給手段，然後由環境回饋去不斷修正做。
• 主要模型:Q-Learning、Deep Q-Network(DQN)
• 應用:自駕車、系統節能、各種推薦系統、機械手臂操作
• 優點:自發學習並調整、通用、簡單
• 缺點:目標不夠正確會有問題、多樣本、物理真實訓練成本高
  架構圖:
  

參考來源:人工智慧:概念應用與管理 林東清