人工智慧：學習
學習 早期： 近代： 人們對程式的認知，一個龐大的資料庫系統，只會依照使用者輸入執行命令 人們對程式的批評經常是『只會照我們指示做事，而不能自己適應並且學習』 一位計算方面的哲學家Ada Augusta說：『程式沒有創新的能力，只知道如何照命令做事』 近代： AI問世後，突破傳統的一對一的程式（一個input一個output），轉變為一對多的程式（同樣input經過學習後可更新output），重點在於AI能學習
學習 什麼是學習？除了經驗法則，還需創新 學習方法： 記憶學習 觀念學習 發現型態學習 類似學習 神經網路學習
記憶學習
記憶學習 建立資料庫系統，供往後利用 Ex.下棋：電腦根據目前局勢，計算出最有優勢的走法，並存起來，以後還有相同狀況，就不必在模擬 困難：隨著系統漸趨複雜，檔案也異常龐大：棋盤組合數量以指數成長
記憶學習 所需的能力： 組織所儲存的資料：搜尋時間<模擬時間 資料類化
記憶學習 指引方向 應用：棋類方面
觀念學習
觀念學習 目的：學習事物的特徵，訓練聯想能力 Ex.結構認識
觀念學習
觀念學習 建立結構的基本方法： 好處 結構定義：觀察某件事物的特徵後，建立基礎結構 一般化：多觀察其他此觀念例子的敘述，將這些不同的敘述加入結構定義 結構分類：觀察此結構的接近或忽略敘述，建立新定義來分類他們 好處
發明型態學習
發明型態學習（AM） 把已知的東西拼湊成前人所未有的東西，謂之發明 技術包括 在數論，VLSI都有相當的應用 知識表示法 解題方法 架構 滿足式搜尋(heuristic search) 產生並測試(generate & test) 在數論，VLSI都有相當的應用
類似學習
類似學習 目的： 首先要紀錄事物的結構特徵 (1)敘述物體之間的相異點 Ex.告訴電腦『 Jack就像部消防車』，電腦必須決定哪部分Jack像消防車 (2)快速紀錄或了解他人的資訊 Ex.有了A的資料，由『B和A很相似』來建構出B的資料 首先要紀錄事物的結構特徵
類似學習 Jack的特徵： 消防車的特徵 Jack的新特徵： 1.種類： 人 2.外型： 中型 3.用途： 幫助其他種類 4.活動方式： - 1.種類： 人 2.外型： 中型 3.用途： 幫助其他種類 4.活動方式： - 消防車的特徵 1.種類： 機器 2.外型： 中大型 3.用途： 滅火 4.活動方式： 被動型（有人開才能走） Jack的新特徵：
神經網路學習
神經網路學習 以程式來模擬生物神經系統，做出適當的判斷 類神經網路的核心－類神經元的模型 Xm:外界刺激 Wm:加權值 S:總合 Φ:激發臨界值（函數） Y:輸出
神經網路學習 一個『困難』的問題
神經網路學習 模擬人類神經網路，解決眾多問題 平行分布性處理： 學習能力： 容錯性： 訊號可以同時到達一批神經元， 將每一個神經元看成一個處理單元，整個系統就是一個分散式計算系統 學習能力： 利用樣本引導系統模擬現實環境(back-propagation) 對輸入進行自我適應(Hop-field) 容錯性： 由於大量連結的神經元，神經網路中少量的神經元發生錯誤，不會對整體帶來太大影響
神經網路學習 模型： Hopfield網路模型 倒傳遞(back-propagation)模型 自適應共振理論(adaptive resonance theory)模型
Hopfield網路模型 帶有自回授的模型 架構： 第0層：退化的神經元，輸入=輸出，為了引入回授而設計 第1層：標準神經元 穩定性：
Back-Propagation 1961年Rosenblatt提出感知模型，利用神經元模擬人類邏輯思考十分成功， 問題：屬於線性分類器，無法實現XOR邏輯運算 1986引入隱藏層，採用非線性神經元，他的學習法基於回傳誤差，稱為BP
Back-Propagation 大部分問題屬於非線性問題，而隱藏層就是為了增加非線性性 是目前最流行的類神經網路之一，也是最受廣泛應用的類神經網路 學習方法：利用能量最小原理，控制和學習樣本之間的誤差 初始化加權值，接近0的隨機數 將樣本輸入BP，得到輸出 將正確答案與輸出值比較，並將誤差往回傳 研究證明，只要有足夠多的隱藏曾和時間，BP可模擬任意複雜的非線性曲線 應用：圖形辨識，語音辨識
總結 學習是很重要的 我們越了解人類的思考模式，就能寫出更強大的學習程式