講完了AI的基本概念，今天來說說關於AI是如何學習的吧。AI的學習理論有千百種，每一種的學習方式與基本概論都不盡相同，而每種方式擁有哪些區別、哪些優勢，在本篇都將會詳細說明。

AI學習理論的架構

以下將分成三層來說明
1.AI知識來源

• 人類專家:法則學派(Rule-based School)的知識來源，由人類專家將知識與法則授予AI作為他推論的依據。
• 機器自行學習:機器學習學派(Machine Learning School)，機器自行從輸入的練習樣本中，歸納學習而得的知識，與人類無關。

2.AI學習導向

• 特徵導向:AI在訓練資料中，所歸納出的事件特徵，主要分為監督式學習、半監督式學習、非監督式學習，在後面將會詳細說明三種不同之區別。
• 回饋導向:機器利用與環境互動的回饋，透過每次互動找出獎賞最多，損失最少的方案。

3.AI監督與否

• 監督式學習:由人類來標註樣本的答案，以此來監督機器判斷是否正確，是準確度最高、最普遍應用的學習方法。
• 非監督式學習:指機器學習過程中，完全沒有人類參與干擾，完全由機器透過樣本資料自行學習推理。
• 半監督式學習:綜合上述兩者，有的是先使用監督式學習，再使用非監督式學習。例:以少量標記答案的樣本，並在接下來的每輪學習中，依次加入未標記答案的訓練資料。

接下來將深入了解法則學派與機器學習學派的基礎理論與架構。

法則學派

法則學派主要概念

此學派的人們主張，世界上所有知識，皆可由存在的「知識法則」(Rule)與「事實」(Facts)，經由邏輯的「演算」
(Deductive)與「歸納」(Inductive)，不斷的衍伸出新的知識，如此讓AI發展新的知識，使AI的知識體系越來越豐富到足以了解真實的世界

舉例來說:"達文西是人"(Facts)、"人需要喝水"(Rule)是我們給予AI的現有知識法則，而AI便能藉此推理出"達文西需要喝水"，這個新的事實，便是所謂的"新知識的演算推理"

再舉一個例子:"達文西是人"(Facts)、"牛頓世是人"(Facts)、"達文西會死"(Facts)、"牛頓會死(Facts)"是現有的知識法則，而AI藉此歸納出"人都會死"，便是從現有的事實中歸納出新的法則。

法則學派的實作-專家系統

專家系統的基本概念

專家系統(Expert System)指的是透過對人類專家知識的收集，組建成一個邏輯知識庫，並由一個邏輯推理引擎根據使用者輸入的資料以及知識庫裡面的專家法則來推理出問題的解決方案。

專家系統缺點與問題

• 法則太多:例如學習各國語言，過去式現在式等等數量太多，且不段斷變化的規則語言，皆是專家系統應付不來的。
• 法則無法表達:對人來說有許多事是只可意會，無法表達的，像是開竅這種突然懂了的事，專家系統也無法理解。
• 法則會變而且有例外:隨著科技的進步，有許多法則不斷的再改變，例如:以前人認為地球是方的，可現在證明地球是圓的。因此這會顯得專家系統並不是那麼準確。
• 法則獲取成本很高:有許多知識取不容易，時間成本消耗大。
• 非結構化的資料難以用法則來表示:例如信號、音波、圖像等等，專家系統的表現上遠低於機器學習
• 無法處理太複雜的問題:當處理的問題需要用到上千上萬條的法則，將會大大影響專家系統的精確度。
• 專家系統缺乏彈性很難維護:法則之間關連性極高，因此若改變一個法則將會影響其他法則，可謂是一着不慎，满盘皆输。

專家系統優點

• 容易解釋:可清楚看到，得到答案與推理的過程。
• 學習概念易懂:因為是使用人類本來就了解的法則，因此較易理解背後推論與演算。
• 容易使用與學習:只要輸入想解結的問題即可得到資料。
• 具有強大的說服力:由於推理演算十分清楚，因此說服力十足強大。

專家系統的解說告一段落，明天再繼續~

參考資料
人工智慧-概念應用與管理 林東清著