AI 是什麼? #
（圖片來源：AI FOR PEOPLE）
AI 是 Artificial Intelligence 的縮寫，人工智慧的定義其實就是以「人工」編寫的電腦程式，去模擬出人類的「智慧」行為。
AI 這個詞彙誕生於 1950 年，當時的 AI 僅能跑一些寫好的邏輯程式、處理數學定理證明，由於當時電腦體積龐大、性能又有諸多限制，因此應用相當少。
在約二、三十年前，因為電腦儲存空間、運算性能的增長，開始出現「機器學習」( ML )這塊領域，並得到了很好的成果。
在生活中，AI 有哪些落地應用呢？ #
AI 的應用已經充斥在日常生活中，舉凡交通、娛樂、醫療等，到處都可見其蹤影，以下舉幾個例子讓大家更了解 AI 有哪些應用：
- 手機助理語音辨識功能
- 社群網路上的廣告投放
- 串流影音網站的推薦（如 YouTube 推薦影片、Spotify 精選）
- Google Map 最佳路線規劃
ML、DL都屬於 AI 範疇，但差別是什麼呢? #
AI 演進（圖片來源：NVIDIA）
我們可以從上面這張圖清楚理解，AI、ML、DL 這三個名詞是層層遞進的關係，機器學習（ML），是人工智慧（AI）底下的技術分支，而深度學習（DL）則是從機器學習衍伸出的領域。
了解完大致的關係，接著來了解更多關於機器學習 ( ML ) 跟深度學習 ( DL ) 的細節吧。
何謂機器學習？ #
機器學習並非單純地把程式寫好，而是要讓電腦透過自我學習的方式，去解析數據或做出問題判斷，不斷優化改進自身。
機器學習結構：資料→特徵擷取→模型→答案
為了達到有效預測，機器學習會不斷讓模型最佳化去擬合資料，然而在特徵擷取上，仍然需要透過手動去標記特徵，將特徵轉為編碼或向量形式後，再透過機器學習的模型去處理，從而得到預測結果。
何謂深度學習？ #
深度學習是透過神經網路（Neural Network）的方式來實踐，而神經網路由無數個神經元串聯所組成，這些神經元的運作方式和人類神經一樣，一個連著一個傳遞訊號，但輸入的是變數、權重（weight）、誤差（bias）。
深度學習的結構：資料→模型（特徵擷取自學）→答案
與機器學習 ( ML ) 的差別在於特徵擷取的部分，深度學習把它交給神經網路去處理，讓它在不斷地反覆運算中逐漸萃取出所需要的特徵，不斷改進模型本身權重，最後產生預測模型。
以「貓狗辨識」舉例，深度學習的訓練只需將標記好類別的影像輸入到模型中，神經網路會自行將影像特徵擷取出來。
透過捲積神經網路訓練貓狗辨識（圖片來源：Medium）
》資料來源：AI來襲！三分鐘看懂人工智慧
