前言
昨天我們提到，AI 需要透過資料來學習與訓練。
那麼，資料是如何一步步變成可以做出判斷的 AI 模型呢？
其實，AI 的核心是各種算法 (Algorithm)，它們就是把資料轉換成模型的規則，只是這個規則對我們來說是黑盒子。
今天，我們就從 AI、ML、DL 的概念出發，了解資料如何被算法轉換成可用的模型，最終幫助 AI 做出判斷。

一、AI、ML、DL 的概念

1. AI（人工智慧, Artificial Intelligence）

   目標：讓電腦像人類一樣做出智慧判斷與決策。

   分類：

   • 弱 AI（Narrow AI, 弱人工智慧）：專注於特定任務，例如語音助理或推薦系統。

   • 強 AI（General AI, 強人工智慧）：具備像人類般的全方位智慧，目前仍在研究階段。

2. ML（機器學習, Machine Learning） — AI 的子領域

   透過資料訓練模型，讓電腦能從經驗中學習。

   分類：

   • SL（監督式學習, Supervised Learning）：有標註資料，學會預測或分類。

   • UL（非監督式學習, Unsupervised Learning）：無標註資料，自動找出資料模式或分群。

   • RL（強化學習, Reinforcement Learning）：透過獎勵與懲罰學習最佳策略。

3. DL（深度學習, Deep Learning） — ML 的子領域

   使用神經網路(Neural Network） 自動從資料中提取特徵。

   分類：

   • DNN（深度神經網路, Deep Neural Network）：多層全連接網路，處理一般資料。

   • RNN（循環神經網路, Recurrent Neural Network）：擅長序列資料，能記住前後訊息，如文字或語音。

   • CNN（卷積神經網路, Convolutional Neural Network）：擅長影像或空間資料特徵提取。

4. 關係總結

   • AI > ML > DL
   • AI 是目標與方向，ML 是實現 AI 的方法，DL 是更進階的 ML 技術。

二、AI、ML、DL 差異比較

小結
今天我們了解了 AI、ML、DL 的基本概念與差異，清楚知道它們的層級關係。後續章節將針對每個概念進行更詳細的介紹，並搭配實作範例，讓理解更具體、操作更直觀。