Intro
現在人工智慧幫醫生診斷病人，幫飛行員駕駛商用飛機，幫規劃師預測交通。但是不管人工智慧在做什麼， 設計它們的電腦科學家們，可能並不知道它們到底在做什麼。這是因為人工智慧是自學成才的，從一組簡單的指令創造出一組獨特的規則和策略。那麼機器到底是如何學習的呢？建立自學程式有很多不同的方式。但它們都依賴於三種基本類型的機器學習。非監督式學習、監督式學習和強化式學習。舉例來說，讓我們想像研究人員從一組包含數千份患者資料的醫療數據中蒐集數據(大數據)。
非監督式學Unsupervised learning
首先是非監督式學習，這種方法常被用來分析所有的檔案 找規律性和有用的特徵。也許某些患者有相似的臨床表現或一種治療方法會產生特定的副作用。這種廣泛的搜索模式在沒有人的指導下，可以在患者的檔案中 找出新興的特徵。但我們想像一下，醫生要找的是更具體的東西。這些醫生希望建立一個可用於診斷某一特定症狀的演算法。他們首先蒐集了兩組數據，健康的人和那些被診斷出有病情的患者的醫學影像和檢驗結果。然後，他們將這些數據輸入到一個設計於辨別患者有，但是健康的人沒有共同特徵的程式。根據看到某些特徵的頻率，程式將為這些特徵的診斷意義賦值。產生用於診斷未來的病人的算法。這種機器學習的方法我們稱為非監督式機器學習。
監督式學Supervised learning
但是與非監督式學習不同的是醫生和計算機科學家，對接下來發生的事情扮演著重要的角色。醫生會做出最終診斷並檢查算法預測的準確性。然後，計算機科學家可以使用更新的數據集調整程式的參數，提高準確性。這種實踐的方法叫做監督式學習。假設這些醫生想設計另一種算法來建議治療方法，由於這些計劃將分階段實施，而且它們可能會根據每個人對治療的反應而改變。
強化式學習Reinforcement learning
醫生們會決定使用強化式學習。這個程式使用迭代法來收集反饋意見，哪些藥物、劑量和治療方法最有效。然後，它將這些數據與每個病人的檔案進行比較。來製造出獨特的最佳治療方案。隨著治療的進展和項目收到更多的反饋。它可以不斷更新每個病人的計劃。
各種學習方法的綜合應用
三種技術之一並不比其他兩種聰明。雖然有些需要或多或少的干涉，但是尺有所短，寸有所長，這讓它們各有自己適合的任務。然而，一起使用它們的話研究人員可以構建複雜的人工智慧系統，讓它們互相監督和教導。例如，當我們的非監督式學習程式找到一群相似的患者，它可以將這些數據發送到一個有連結的監督式學習程式中。然後，那個程式就可以將資訊納入預測中。或許這幾十個強化式學習程式可以模擬病患會有的結果，以收集對不同治療方案的反饋。創建這些機器學習系統的方法有很多，而最有前途的系統是那些能模仿大腦神經元之間關係的。這些人工神經網絡可以使用數以百萬計的連接。以應對圖像識別、語音識別等困難任務，甚至語言翻譯。然而，這些模式越是自我導向，計算機科學家越難以確定這些自學算法是如何得出 其解決方案的。研究人員已經在研究如何讓機器學習更加透明。但隨著人工智慧越來越頻繁得參與在我們的日常生活中，這些神祕的決定對我們的工作、健康和安全產生了越來越大的影響，所以隨著機器不斷學習、 調查、協商和交流，我們必須考慮該如何教導它們，讓它們互相教導經營重視道德與倫理。
Wiki
如果電腦程式在 T 中的任務中的表現（由 P 測量）隨著經驗 E 的提高而提高，則可以說電腦程式可以從關於某類任務 T 和效能測量 P 的經驗 E 中學習。
授課教師
陳永忠 [email protected]