Day3-AI的應用：如何應用AI解決問題

1. 確定問題

首先，我們需要明確問題以及這個問題是否適合使用AI來解決。我們還需要確定應該使用哪一種類型的AI來處理問題，如監督式學習、非監督式學習或強化學習。

2. 資料蒐集與分析

根據問題，我們會蒐集過往的資料。這些資料可能包含已知的資訊或未知的資訊。如果資料已知，可以使用監督式學習；如果資料未知，則可能只能使用非監督式學習。資料量取決於問題的複雜度。例如，預測性別相對簡單，但如果要預測身高、年齡和體重等，則需要更多的資料。

3. 建立機器學習模型

我們需要將現實問題轉化為數學問題。在監督式學習中，我們會提供一些數對（x, y），機器學習就是在找出正確的函數f(x)。機器處理的是數學式，而非現實層面問題。

4. 預測結果

學習完成後，我們將使用模型來預測結果。我們會提供一些機器學習過程中從未見過的x，機器會根據其f(x)給出一個y。利用這個y，我們可以判斷模型的好壞。

5. 決策應用

如果模型效果良好，我們將利用它來做出決策。然而，這部分與AI關係不大，因此不會詳述。

人工智能技術的分類應用

回歸 (Regression)

回歸問題旨在找出資料中的規律，並利用現有特徵預測另一變量，輸出的值通常具有實質意義。

舉例: 我們希望機器預測房價，給出坪數作為x，價格作為y，然後機器會利用這些資料預測出一條直線，這條直線就是f(x)。

分類 (Classification)

分類問題將輸入的樣本區分為事先定義好的類別，輸出的y是類別的代表號，不具有特定物理意義。

舉例: 在圖片中找出是人、桌子還是椅子，將人定義為1，桌子定義為2，椅子定義為3。若輸出為2，即表示是桌子。

分群 (Clustering)

分群問題將樣本依據其特性進行關聯，每組相關聯的樣本用代表點表示，可以挖掘資料的潛在特性。

常見應用: 推薦系統，當你在網頁中尋找商品時，其他相關商品會跳出來，這通常使用了分群技術。

異常分析: 在資料中找出與其他樣本不同的異常樣本，例如，駭客攻擊會導致網頁異常，可利用非監督式學習的分群法來檢測異常。

遊戲 (Gaming)

電腦遊戲中的AI設計多屬於演算法設計，非機器學習。但隨著強化學習的興起，越來越多遊戲使用強化學習技術設計AI。例如，IBM的深藍電腦下西洋棋打敗世界棋王、Google DeepMind的AlphaGo打敗韓國世界棋王。