1. 機器學習 (ML) 概述

機器學習是一種讓電腦能夠自動從數據中學習規則，並進行預測或決策的技術。它的三種主要類型是：

• 監督式學習 (Supervised Learning): 使用帶標籤的數據進行訓練。模型根據輸入數據和已知的輸出標籤來學習，例如圖片分類或文本情感分析。
• 非監督式學習 (Unsupervised Learning):採用自我學習演算法，不需要加上標籤或事先訓練，使用未加上標籤的原始資料，並根據相似性、差異性和模式來推論出自己的規則。
  非監督式學習演算法更適合用於較為複雜的處理工作，例如將大型資料集整理成叢集。這有助於識別先前未偵測到的資料模式，可幫助找出能將資料分類的特徵。
• 強化學習 (Reinforcement Learning): 通過獎賞(reward)或懲罰用不斷試錯的方式來引導模型學習，常用於遊戲或機器控制中，自動駕駛的一些功能和訓練AI操控街機遊戲就是其中的一些例子，。

在生成式AI中，機器學習模型被用來生成新內容，如文本或圖像。這需要模型在訓練數據中學習模式，並基於這些模式生成新的數據。

2. 深度學習 (DL) 概述

深度學習是機器學習的一個分支，利用深層神經網絡進行複雜的模式識別和數據生成。生成式AI依賴於深度學習的模型來自動生成數據，常見的架構包括：

• 人工神經網絡 (Artificial Neural Networks, ANN): 模仿人腦神經元運作的基本結構，由多層神經元構成，每一層神經元進行數據的傳遞與轉換。
• 卷積神經網絡 (Convolutional Neural Networks, CNNs): 用於處理圖像數據，CNN能識別圖像中的重要特徵，應用於圖像生成和辨識中。
• 遞歸神經網絡 (Recurrent Neural Networks, RNNs): 適合處理序列數據，例如文本。生成式AI中的文本生成模型，如GPT，就使用了改進的RNN結構。
• 長短期記憶 (LSTM): 一種特定的RNN變體，解決了RNN在長序列數據中遇到的“長期依賴”問題，適合語言生成。

3. 生成式AI中的應用

在生成式AI中，特定的深度學習模型用於生成內容，以下是主要應用技術：

• 生成對抗網絡 (GANs): 用於生成圖像的模型，由生成器和判別器組成。生成器負責創建偽造數據，而判別器則試圖辨識真實數據與偽造數據。
• 變分自編碼器 (Variational Autoencoders, VAEs): 另一種用於生成圖像和文本的模型，通過壓縮和解壓縮數據來生成新內容。
• Transformer模型: 用於生成文本的模型，特別是如GPT這樣的預訓練變換器模型，能根據上下文生成自然且流暢的文本。

參考資料：

1
2
3
(這些參考資料能幫助我簡單的理解，另外還有很多網路上的影片講解了關於今天的學習內容，多樣的模型在短時間內很難令人理解，很佩服這些影片創作者，甚至是樂於分享的教授，我今天受益良多，感謝他們的付出。)

明日預告實踐活動

• 使用Hugging Face進行文本生成:
  步驟：
  1. 註冊並訪問 Hugging Face
  2. 使用現成的模型如GPT-2來生成簡單的文本。
  3. 嘗試學習甚至調整模型內容，來產生自己所想要的文本