0by高煥堂misoo.tw@Section-001ML習：電腦學習什麼?----------p.1Section-002基於如何化解AI不足的因果推理呢?--p.22Section-003ML從如何學習專家直覺--------------P.58Section-004擅用卷積：萃取專家直覺-------------P.79Section-005遷移學習：復用(Reuse)專家智慧----P.113Edge_AI_&AIoT課程：ML與專家直覺1Section-01ML機器學習，電腦學習什麼呢?學習任務內容備註任務1認識專家直覺任務2理智(intelligence)與直覺(intuition)任務3以護理師為例任務4深度學習的未來任務5深度學習敗於<捷徑>2by高煥堂misoo.tw@人們的＜直覺＞常常與真實的機率不一樣。例如，許多人以為搭飛機很危險，事實上，飛機失事的機率是遠遠低於搭乘汽車的死亡率。AI是基於大數據統計分析的直覺。例如，因此，醫師的經驗直覺，常常與AI的統計歸納直覺是不一致的。熟是熟非呢？兩個視角都沒錯，唯一可能錯的是：執著於單一視角。兼具兩個視角，相輔相成乃是鳥語花香之徑。因此，將醫師＜專家直覺＞納入AI(模型)系統裡，成為通向可信賴的康莊大道。Edge_AI_&AIoT課程：ML與專家直覺3現實的商業世界需要良好的直覺反應。如我們所見，雖然大公司裡的專業決策，許多是靠直覺做出來的，然而，經理人通常會隱藏自己的直覺，甚至不再聆聽內心的聲音。經理人仰賴的經驗，往往是無意識的，而且符合直覺的定義。當你在某一領域裡經歷了長期的訓練後，你會發展出某種常人沒有的直覺。直覺一部分來自人類演化而來的本能，一部分則源自經年累月的經驗。此外，康納曼發現，許多日常活動都牽涉到機率與風險的評估，例如，賭博的下注、衡量交通工具的風險等，然而我們的「直覺」常常與真實的機率不一樣。例如，常常以為搭飛機很危險，事實上，飛機失事的機率是遠遠低於搭乘汽車的死亡率。儘管「直覺」常常會誤導我們，但這些研究告訴我們的第二個訊息是：在某些情境下，「直覺」反而比理性推論更有優越性。人們透過無意識的「直覺」做出的判斷，有時比慎思熟慮更為有效，例如：判斷一個陌生人是否有威脅性、衡量某個情境是否有危險。這在生物演化上是有道理的，因為「直覺」的迅速反應，可以讓人類有效迴避許多對自己生存有威脅的事物。其實，「直覺」沒有什麼神祕之處，它有部分來自人類演化而來的本能，有部分則是經年累月的經驗所習得的成果。因此，一個西洋棋高手，可以瞬間從殘棋中做出判斷，一個老練的消防員可以本能地迴避有危險的火場路徑，這就是所謂的「專家直覺」，並非神奇的第六感。東西，有時很靈，有時則不靈。我們曾討論過直覺不靈，直覺會產生認知偏誤的時候，會帶來糟糕的決策，錯誤百出。4by高煥堂misoo.tw@任務-2、理智(intelligence)與直覺(intuition)紐西蘭認知科學家ValerievanMulukom指出，在心理學中，直覺(intuition)通常被理解為分析推理(analyticreasoning)之外的思維方式，前者自動、快速、潛意識 (subconscious)，後者刻意、緩慢、邏輯性和有意識。但這樣等於說，直覺與分析推理之間只有速度的差別，而沒有性質或對象的差別。而如果直覺更快速，那就意味著它比分析更好。她舉了一個例子：某個人在黑夜中開車，突然間有一個無法解釋的直覺，使他稍微偏離路中心駕駛，後來才發現自己避過了剛才看不到的路陷。但原來他之前已經在遠處看到另一個司機在這個路段靠邊駛，他沒有意識到這一點，但到了這路段時也在直覺的推動下照做。Mulukom指出人類大腦會自動化處理一些信息，不需要意識或知覺(awareness)也能行動，而我們平常說的直覺和本Edge_AI_&AIoT課程：ML與專家直覺5能(她並沒有對此兩者作仔細區分)其實就是大腦的潛意識功能。消防員從煙的顏色斷定火場裡有有毒性化學物品——這不就只是一種以經驗(而不是純粹邏輯)為根據的推論嗎？換句話說，他教的方法其實不是非理智的直覺，而是被磨練過，因而更快速的理智而已。GaryKlein大概可以將書中的「intuition」換成老練的經驗。專家直覺(ExpertIntuition)就是您可以看出來眼前的情況與過去發生情況的某些相似點(即相似特徵)。您的專門知識愈深，就愈能看出許多相似情況，而在菜鳥眼中，每個情況都是新且獨立的情況。專家直覺帶給人們瞬間洞察力，也就是鑑往知來的能力。例如，下圖是醫院的護理師排班表：有經驗的護理師，一眼就能看出這不是一張好的排班內容，其憑藉的就是專家直覺。如果我們能夠探知這位資深護理師所觀察到的特徵，並且將其表現於AI模型裡，就能大大提升AI系統的品質。例如，護理師們有一個概念稱為：花式排班。AI人員就去探知<花式排班>的徵，表達於Excel畫面上，如下圖：6by高煥堂misoo.tw@AI您按下<訓練>按鈕，AI就開始學習了。學習之後，這位資深護理的專業直覺，就成為這AI系統的智慧了。時人力量。透過經驗法則導引出的直有用，至少也一樣有用。在行為決策的世界裡，有時候關鍵並不在於蒐集大數據。Wide&Deep模型：基於專家直覺的WideLearning+基於大數據Edge_AI_&AIoT課程：ML與專家直覺7例如，華夏智慧之中，人人朗朗上口的關聯性智慧：太極生兩儀、兩四象、四象生八卦。對其詞彙進行編碼：把它們的關聯性表達出來，使用Excel來操作TensorFlow，進行WideLearning：8by高煥堂misoo.tw@在Excel畫面上，輕輕按下<WideLearning>按鈕，就展開機器學慧>：然後AI繼續學習中醫師的專家智慧：Edge_AI_&AIoT課程：ML與專家直覺9包括：五臟、六腑、經脈、以及360個重要穴位等之間的關聯性智慧。蘋取專家智慧所謂專家直覺，就是他對周遭事物的瞬間洞察力，是極為敏銳的。因而，他也會很敏銳地洞察出上述這個AI模型所表現出來的直覺性推論，與他的直覺推論的差異。由於他是專家，他大多會覺得自己的直拋磚引玉的活動了，也就是展開萃取專家直覺的工作了。例如，有一位專家說：我都是先看高跟鞋，而口紅和頭髮則其次。就場立即調整Excel模板料：10by高煥堂misoo.tw@就依據專家意見，來把鞋跟高度分為三級。讓<高跟鞋>特徵的影響力提升，更符合專家以<高跟鞋>為主要特徵的智慧。然後，按下<學即展開機器學習，給專家們看看：很快就學習完成了。繼續按下<測試>按鈕，立即展現AI智慧給專家們Edge_AI_&AIoT課程：ML與專家直覺11請您看上圖裡的最上方，輸入值是[0,1,1]，立即判斷出：這是男生。在這專家心中，高跟鞋是主要特徵，意味著高跟鞋的高度對其辨別男女的影響力比另外兩個特徵要大。也就是高跟鞋的長與短，對其辨別果的敏感度比較高。於是把測試資料改為：AI只要看到高跟鞋很高，就知道是女生了。這時候，這位專家心中會愈來愈高興了，因為這AI模型愈來愈像他調教出來的小貓咪。專家也樂於提供更多智慧來給這AI模型了，於是AI模型的智慧就愈來愈高12by高煥堂misoo.tw@。如果後來，這位專家改口了，他說：我現在也愈來愈重視<口紅>特徵AI這AI可以配合專家智慧而成長。之後，就可以藉由這些專家智慧來企業的大數據裡自動提取特徵，並基於這些特徵而訓練出更高階的AI模型和智慧。比喻：兒子說：爸爸，今天惹事了，我把老師都氣哭了。爸爸說：你個小兔崽子，把老師怎麼了？兒子說：我上課玩磁鐵，被老師發現，沒收了。爸爸說：這不算啥事啊！兒子說：但老師一拿，就吸在她的大金鐲子上，當場就哭了，還跑去…，把校長臉都撓出血了！我也不知爲啥……。Edge_AI_&AIoT課程：ML與專家直覺13。。爸爸說：好了，沒事了，你去玩吧。以後拿磁鐵離你媽遠點……本文榮獲2019年李商隱文學獎最佳微小說。點評：該小說情節曲恩怨、往日情仇、學校教育、上下級面，短短近百字，生動闡述，實爲難AI人們看不出來的特徵。人工直覺成為下一步發展AI是有史以來最強大的科技之一，但已經歷經四次的演變。實際上，自1950年代問世以來，第一代AI是屬於「描述性分析」。14by高煥堂misoo.tw@代是能夠模仿人類直覺(ArtificialIntuition)的AI。儘管預測性分析非常有用，並且可以為數據科學家節省時間，但是其缺點仍在於須透過歷史數據預測。因此，面對新的未知場景，數據科學家變得無可奈何。如果真的要擁有“人工智慧”，人們需要能夠自行“思考”的機器，以面對陌生的情況。因此，能夠模仿人類直覺(ArtificialIntuition)的AI就孕育而生。換句話說，第四代AI是“人工直覺”，它使用電腦在無需告知的前提下，識別威脅和機會，就像人類的直覺能夠讓我們在無需特別指示下做出決策。這類似於經驗豐富的偵探，他們可以進入犯罪現場並立即知道某些事情似乎不對勁，或者是經驗豐富的投資人，可以比其他人先發現趨勢。其實，人工直覺的概念在五年前還被認為不可能發生。但是現，像谷歌、亞馬遜和IBM等公司正在努力開發解決方案，並且有一些公司已經讓其運行。簡單來說，人工直覺可以在沒有任何歷史背景的情況下準確地分析未知，其是透過複雜的演算法識別出數據之間的任何相關性或異常，進而做出判斷。當然，人工直覺是不會自動發生的。而是透過應用定性模型分析數據集並開發一種上下文語言，該語言表人工直覺幾乎可以應用於任何行業，目前在金融服務領域已經取得長足的進步。全球大型銀行使用它來檢測複雜的新型金融網路常隱藏在成千上萬個具有自己的連接參數集的交易中。通過使用Edge_AI_&AIoT課程：ML與專家直覺15極其複雜的數學演算法，人工直覺可以快速識別出五個最具影響力的參數，並將其呈現給分析人員。在99.9%的情況下，分析人員從成百上千的五種最重要的成分和類型。因此，人工直覺具有產生正確類型的數據，識別數據，以較高的準確性和較低的誤總之，自從AlanTuring於1950年代首次提出AI概念以來，已它絲毫沒有放緩的跡象。前幾代AI的發。未來人工直覺標誌著AI將成為真正“智慧”的關鍵的一步。深度學習的困境我們知道，目前的深度學習模型，只是將一個向量空間映射到另一個形X映射到另一個流形Y，前提是從X到Y存在可學習的連續變換。存在這樣的網絡，它也可能是不可學習的。通過堆疊更多的層幷使用更多訓練數據來擴展當前的深度學習技術，解決更根本的問題，比如深度學習16by高煥堂misoo.tw@大多數你想要學習的程序都不能被表示爲數據流形的連續幾何變換。看來，深度學習和真正意義上的智能有著極大差距，那麼未來的發展超越反向傳播和可微層如果機器學習模型變得更像程序，那麼通常就不再是可微的了。這些整用反向傳播在固定的硬編碼的網絡模型的首選方法，至少不會只用這種方法。此外，反向傳播是端到端的，這對于學習良好的鏈式變換很有用，但例提高效來組織，從而使反向傳播更加高效。eepMind走的更遠。我可以設想的一個未來就是，模型在全域上是不可微的(但部分可微)，我們使用一種有效的搜索過程(不使用梯度)來訓練模型，而可微部分則利用更加高效版本的反向傳播得到的梯度進行訓練，其訓練速度更快。Edge_AI_&AIoT課程：ML與專家直覺17終身學習與模塊化子程序複用如果模型變得更加複雜，幷且構建在更加豐富的算法原語上，對于這之間實現更多的複用，而不是每開始訓練一個新的模型。許多開發一個複雜的新模型，利用以往數據集中包含的信息是很必要的(就像你每次打開一本新書時，也不會從頭開始學習英語——那是不可能的)。每開始一個新任務都，因爲當前任務與之前遇到的任務有很多重複之處。近年來有一個反復出現的觀察結果值得注意：訓練同一個模型同時完到的模型在每個任務上的效果都器翻譯模型來實現英語到德語的翻譯變得更好。同樣，聯合訓練一個圖像分類模型和一個圖像分割模型，二者共享相合些信息重疊，在僅與特定任務上訓練的模型相比，聯合模型可以獲取關于每項任務的更多信息。未來願景18by高煥堂misoo.tw@後者提供非正式的直覺和模式識別能力。AlphaGo(這個系統需要大量的手動軟件工程和人爲設計決策)就是這種符合人工智能和幾何人工智能融合的一個早期的例子。此外，通過使用存儲在可複用的子程序的全域庫(這個庫隨著在數千個先前任務和數據集上學習高性能模型而不斷進化)中的模塊化部隨著元學習系統識別出經常出現的問題解決模式，這些模式將會被轉化爲可複用的子程序(正如軟件工程中的函數和類)，幷被添加到全域庫中。這樣就可以實現抽象和極端泛化能力。因此，這種永久學習的模型生長系統可以被看作是一種通用人工智能 (AGIartificialgeneralintelligence)。2020-07-26由AI科技評論發表于科技編譯|蔣寶尚、陳大鑫Edge_AI_&AIoT課程：ML與專家直覺19部分討論都承認當前的深度學習還不是真正的智能，必須轉向理解、常識。但是只看當前AI成功的案例，似乎還無法窺探理解。近日，來自多員合作了一篇文章《Shortcut捷徑」策略，模型在訓練的時侯往往會面臨多個解決方案，而深度學習模型的選擇往往並不是最有效的那個，而是最簡單的那個。雖然採用「捷徑」策略在表面上是成功的，但是情況稍微改變一下，徑學習」中找到讓AI模型轉向「理解」的方向。20by高煥堂misoo.tw@人工智慧會取代放射科醫生嗎？有研究人員訓練了一個神經網絡用來乳腺癌分類，其準確率達到了醫師。只不過，這裡有個小反轉：研究人員用的不是人工智慧神經網絡，而說，研究人員訓練了四隻鴿子來診一群非常聰明的神經網絡？對於醫學而言，我們從來沒有將未來寄希幾億美元建造鴿子場。顯相比，我們對鴿子的期望有些相形見絀。誠然，在許多方面，深度學習確實沒有辜負「炒作」和希望，畢竟，新的AI突敗案例，一直在緩慢而穩定地出現。Edge_AI_&AIoT課程：ML與專家直覺21例如，深度學習雖然在物體識別方面取得了超人的表現，但是識別物體中的一些微小的變化(例如背景)有可能導致識別失敗；深度學習，但是在它不「看」圖片的情況習可以準確地識別人臉，但是對根據簡歷做出招聘決定，但是算法的決定往往偏向於選擇男性。那麼？如何看待AI超人的表現和令人震驚的失敗之間的差距呢？其它們在某種意義上是相互關聯會採用「捷徑」策略。雖然採改變一下，深度學習就會失敗。更為準確一些，採用「捷徑」的結果可能表現為：模型在標準的基準上表現良好，但是卻無法轉移到具有挑戰性的任務中。◆◆◆22by高煥堂misoo.tw@Section-02如何化解AI不足的因果推理呢?學習任務內容備註任務1如何讓AI掌握因果性的能力任務2演繹性與因果性任務3為什麼A設I計師要特別區分：相關性Vs.因果性呢任務4觀摩AppleWatc的h心電圖AI模型專案Edge_AI_&AIoT課程：ML與專家直覺23據的相關性，只是低階的因果關係而已。非常依賴人類(具有溯因性推理習慣者)來補足。人類具有溯因性推理習慣者，就是通稱的創新者，如諸葛亮等。其擅代的AI科學家們，正努力強因果性的能力。24by高煥堂misoo.tw@人類具有溯因性推理習慣者，就是通稱的創新者，如諸葛亮等。其擅代的AI科學家們，正努力強AIAI相關性之外，能提升探索和掌握因果性的能力。像醫生、股市、軍事等不確定性高的場域，都偏於果因性推理，都是AI研究的Edge_AI_&AIoT課程：ML與專家直覺25然後從複雜的因果關聯中，歸納、抽象出簡單不變的規律性。由於引發一項(結)果的可能(原)因，可能很多，且深藏不露，人們常文地理、人情世故、人性心理等出發，找出相關性，進而歸納出規律性，是一條較為容易之路。26by高煥堂misoo.tw@富，加上NN-based的當今AI歸納性推理，更加擴大這條人類5000年來的傳統之路。AI的數據掌握和運算能力，也強化了因果關係的探索。然而，當今的AI對於因果關係的探索能力，還是非常有限的。仍然Edge_AI_&AIoT課程：ML與專家直覺27非常依賴人類(具有溯因性推理習慣者)來補足。人類具有溯因性推理習慣者，就是通稱的創新者，如諸葛亮等。其擅代的AI科學家們，正努力強因果性的能力。28by高煥堂misoo.tw@當今的AI只掌握最低層次的因果關係，如下圖：還屬於第1階的貓頭鷹階層，逐漸邁向第2階的人類嬰兒階層。新AI當今AI的更加成長。然高煥堂)則關心另一個層面：Edge_AI_&AIoT課程：ML與專家直覺29善加利用來強化人類的果因性(即溯因性)推理能力。一旦AI強大歸納推理力，強力搭配人類的果因性推理能力，則像醫Iyfx)再yfx)30by高煥堂misoo.tw@再AI訓練可歸納出因果規律性AI預測即是因果演繹推論啟發AI思維是人人皆有的知識。Edge_AI_&AIoT課程：ML與專家直覺31D。32by高煥堂misoo.tw@的成本低很多。AIDB低成本新方法，您所建議的AI模Edge_AI_&AIoT課程：ML與專家直覺3334by高煥堂misoo.tw@詳細說明AI擅長考古、預測(Predict)。AI不擅長想像、假設與預測(Forecast)。AI俱有強大的專家直覺，可鑒往知來。陳之藩說：專家只是訓練有素的狗。如同在機場大廳穿梭聞行李箱的毒品大麻的獵狗一般。為什麼，我們要從＜因果性＞與＜果因性＞的視角來看待AI的角色因爲AI基于大數據的考古能力，日益增強中。亦即，AI偵測出因Edge_AI_&AIoT課程：ML與專家直覺35依據日本軟銀董事長孫正義的估計：AI在因果性推論的智商(IQ)已經達到300，而人類天才IQ是180。也就是，在因果性推理方面，人類將永遠輸給AI了。有幸的是，AI的<果因性>推理能行警察、創新設計師等，其工作都不必擔心被AI所取代。於是，在未來50年的新時代裡，將是人機互補、人機共舞的社會。也就是，愈擅長＜果因性＞推理的人，將會獲得AI的更多助力，而也就是，未來50年裏，是人機合作的社會，而非人機對抗的社會。如果AI像一匹馬，人們將會分為兩類：1)騎在馬背上的凱旋成功許多人都把AI(人工智慧)和IT(資訊科技)混淆在一起了。而沒留意到，兩者是有微妙差異的，甚至在許多場合，兩者是互補的。頭地(超越人類)，不具有通用性。一般的IT是：人把企業規則(Rule)寫成程式，交給給電腦，電腦去執現在的AI則是會去<思考>，它從BigData中發現總營收的"梯度"，$的規則：提升單筆交易金額滿1200元，就打75折。這樣公司總收入可以增高50萬元。36by高煥堂misoo.tw@IT背景。同時，學生們也不需要高深的數學、統計和IT編程基礎。相關關係和因果關係，在人們的工作和生活中，都扮演著極其重要的例如，我們看到午後蜻蜓紛飛，由經驗而得知天將下雨。下雨>不是因果關係。人們常常由經驗中得出這兩者的相關性和規律性，幷延伸出出更多決>就會趕快去收衣服，以免下雨淋濕。AB關性，人類都常常從經驗中歸納出其規律性。AI則從大數據中，歸納出其規律性，幷遠遠超越人類的歸納能力。更能量化，預測會下多大的雨。也Edge_AI_&AIoT課程：ML與專家直覺37真正的AI，指的是能通過圖靈測試(Turingtest)，而讓人猜不透是等演算法，則只是過程中所發當今的AI技術+孔明思維=真正AI38by高煥堂misoo.tw@Edge_AI_&AIoT課程：ML與專家直覺39從果找到因(果因性，或稱溯因性)並不太容易，理由是一個果，可能源於多項(原)因。這是人類的天賦，也是當今AI的弱點所在。規律性。我們的教育，也傳授許多這種規律性：就是俗稱的<道>。殆。這項人類的教育與學習，如今被機器模仿了，就是俗稱的：機器學習於是，傳統<知道>式的教育，即將面臨AI的巨大挑戰。也可推論，傳統<知道>式教育的畢業生，即可能將面臨失業的風險。40by高煥堂misoo.tw@驟。也就是，俗稱的：學以致用。其實，已經有人指出：東方之學，是學道理；而非學原理。是東方缺乏科學性創造力的原因之一。烏雲密集而下雨，是科學因果性。烏雲密集而蜻蜓紛飛，也是因果間的相關性。這兩個果是：蜻蜓紛飛和快要下雨。例如，明朝時代理學家的格物致知。從竹子(物)看到竹子有節，而悟分子，分子內涵是原子，原子內涵是質子、中子、電子。這更接近原理，而非道理。特徵是：獨尊歸納性思維。而AI就是超級的歸納性思維高手。Edge_AI_&AIoT課程：ML與專家直覺41任務-3、為什麼AI設計師要特別區分：相關性Vs.因為AI已具有強大的瞬間探索複雜現況下的相關性及其規律，善於AI讓個人、企業、國家獲得超前更容易。但是AI所掌握的相關性之中，可能有些是因果關係、也有些果因關究一番才可能幸運區分出來。所以AI設計師要設計美好的框架把AI和人類的智慧和諧地連結起的事情做得更快更正確!而是看到人類所〈看不見〉的現象。〈做〉！2)人類分辨出因果(或果因)性；這即是AI設計師的任務。例如，這是一位同學提問案例：42by高煥堂misoo.tw@性一一針對問題找最佳解。例AI設計師跳出傳統程式設計邏輯思維慣用最高。也就是AI找規律，再依規律來發現異常，是與傳統IT最互補的。AI設計師與AI的Python工程師的心靈思維是互補的；就像建築師與土木工程師是互補的；就像IC設計與晶圓製造是互補的。基於這種心法，這樣的AI模型設計對醫師們就能有很大幫助，因為Edge_AI_&AIoT課程：ML與專家直覺43醫生給病人處方簽的用藥決策!!I找出一條高獲利之路卻能輕易發現一堆異常的黑天鵝。I反應)時，立即逆向推理追蹤到其源於何種藥物組合。此時，表裡的智慧就發揮很大效益了！：P/<中>組)P/<低>組)依據Bayes機率公式，可以計算出：P呈現副作用)P呈現副作用)P呈現副作用)AI就能幫忙醫師在發現有異常(不良反應)時，立即逆向推理追蹤到其源於何種藥物組合。44by高煥堂misoo.tw@認識ECG多人都在醫院做過心電圖檢查。Edge_AI_&AIoT課程：ML與專家直覺45QRSSTPR著豐富的病理資訊。SR波和S波之間的時限可以反映房性早搏等異常情況，等等。醫生分析心電圖的時候也是結合這些典型的特徵，進一步做醫學診ECG徵波和特徵段的提取，也就是前期的預處理工作。醫生在通過ECG診斷心血管疾病時，其實關注的是各個波形的變化46by高煥堂misoo.tw@生的經驗，可以進行疾病的診斷。ECG與AI(人工智慧)近幾年來，隨著AI(人工智慧)的興起，就是用一些機器學習或深度學一樣給出一個準確的診斷用機器/深度學習演算法以及一ECG信號，實現對一些心血管異常的診斷。深度學習(DeepLearning)的模型設計與訓練(Training)。基於AAMI標準，作者提出的ECG異常分類方法將信號分為5類，特徵，然後依據這些特徵來進行最終的分類。由於ECG本質上是一維信號，所以真正有意義的是水準方向，也就直方向，也就是振幅方向，在知道的幅值。因此，在標記時我們只需要保證水準方向能夠精準地分割信號就可以了。的書而已，其邊簡單情境來輕鬆地領會AI的關鍵性特質和魅力來源。理由是：【烏雲密布、蜻蜓紛飛、快下雨了】這三項特徵之間具有關eeEdge_AI_&AIoT課程：ML與專家直覺47AI，而且遠超過人類的能力，所以是AI最能幫助人類的重要環節。從身邊的事物去認識現象之間的關聯性，取代傳統從算法、統計分析AIAI教師的一項訣AI實際應用情境。例如請看看這報告，看似很專業的<AI+醫療檢驗>的應用情境：UsingAItoInventNewMedicalTests它也是一樣的三個特徵：【血鉀水平、心電圖(ECG)訊號、心臟突然。以人類(如醫師們)的既有智慧習、歸納出上述人們常常難以察覺的細膩模式或規律性。例如，由于血鉀水平(BloodPotassiumLevels)的變化會影響患者的GAI徵來準確地預測是否<天快下雨>了。ECG測是否可能發生<心臟突然停止>癥狀。48by高煥堂misoo.tw@人人都可以因而輕易理解AI在醫療檢測場域對人們健康的幫助原不須先具備醫學、數學的基礎知識。英文的報告Edge_AI_&AIoT課程：ML與專家直覺49AI水平波動的新方其他對在醫療保健中利用AI的力量感興趣的人會發現這些見解是有用50by高煥堂misoo.tw@(鉀對於細胞電穩態至關重要，身體將其水平保持在一個狹窄的範圍內。心律失常和猝死，並且可能由我們用於治療最有傷害的高風險，醫生不願意在不先進行血液檢查鉀血癥)風險的患者人數也會增加。)進行的測試，而無需抽血。及早檢測異常血鉀水平可以更有效地滴定藥Edge_AI_&AIoT課程：ML與專家直覺51I。我與合作夥伴AliveCor一起開發了一個系統，可將電極連接到智慧手機記錄。然後，我們開發了一種演算法，可以檢測的方法，發現我們的鉀評分與從同一患者身上採52by高煥堂misoo.tw@(組建一個多學科團隊。取得成功的關鍵最初因素是讓合適的人並肩工作，共同實現一個目標，即開發一種患者可以在家中輕鬆使用的無血血液(從已知的相關性開始。由於血鉀水平的變化會影響患者的心電圖Edge_AI_&AIoT課程：ML與專家直覺53我們首先檢查了鉀水平高度異常的患者群體的數據(資料)：接受透可以廣泛使用的測試，我們意識到我們必須尋求外部合作夥伴。在MayoClinicVentures的幫助下，我們選擇了位於加利福尼亞州山景城的AliveCor54by高煥堂misoo.tw@智能驅動的醫療技術公司，因率先開發利用深度AliveCor的平臺和AI驅動的網絡將允許在家中輕鬆進行鉀測試並幫助擴展該技術-使其廣泛可用。 (AliveCor已獲得該技術的許可。))Edge_AI_&AIoT課程：ML與專家直覺55降，我們確定該算法可能使用透析持續時間而不是ECG模式來確定I56by高煥堂misoo.tw@CG握住傳感器獲得的。AliveCor還在AppleWatch錶帶中集成了一個測技術現在可以利用AliveCor的FDA批準的設備來捕獲ECG數據並尋求批準。))資和戰略業務發展方面擁有專業知識的內部團隊，參與了鉀技術的商業CorEdge_AI_&AIoT課程：ML與專家直覺57******(至今，機器學習在醫學中的應用仍然很有限，它可以成為開發可靠解決AI們對AI出的結論與背景聯繫起來，並調整系統和工具以獲得最佳準◆◆◆58by高煥堂misoo.tw@Section-03電腦(ML)如何學習專家直覺?學習任務內容備註任務1CNN深度學習模型任務2護士排班範例：讓AI協助護士排班決策任務3設計：建立排班CNN深度學習模型—使用Excel任務4實踐：與Python程式師協同實現護士排班AI任務5認識AIoT(智慧物聯網)技術及應用任務6WiFi與藍芽範例：把AI智慧傳送到手機和機器人上任務7語音A範I例：以<Zenbo機器人的>語音為例任務8用心探索：A的I本質與未來發展之路Edge_AI_&AIoT課程：ML與專家直覺59進行操作(一)：卷積神經網路(CNN)是當今AI最具有代表性的模型之一。而卷積運算(Convolution)在目前的AI裡是應用最多的，也是大家比較不容易理解的部分。請開啟一個AI模板(即jjt04)，讓您可以一邊操作它，一邊深入理解CNN的基本運算。這個模板的基本元素也是Excel+Python+TensorFlow。如下：60by高煥堂misoo.tw@首先按下<卷積>按鈕之後，就會執行背後的程式碼。它就會告訴學生們，倒底卷積運算是怎麼做的?就是兩兩相乘&求和(如上圖所進行操作(二)：在剛剛兩兩相乘&求和之後，接下來向右滑動1步。滑一步之後，他會做什麼呢?它會做兩兩相乘&求和，然後得到這個Edge_AI_&AIoT課程：ML與專家直覺61這樣，一步一步地滑，滑到這邊就結束了這就是CNN自動提取特徵的主要手段。接下去，就很容易理解CNN的模型架構了。I特徵，與歷史(考古)資料特徵，兩者結合在一起作為AI模型的訓練資料，例如Excel畫面：62by高煥堂misoo.tw@起來，做為學習資料。接下來，就按下<學習>按鈕，指示AI展開學習，很快(幾秒鐘)就學然後，按下<預測>，就拿訓練資料來分類看看：AI的決策可能不太好。於是，創建了自己第一個簡單的AI模型了。AI排班決策在上一個任務裡，已經建立了一個簡單的<加班>排班模型。接下Edge_AI_&AIoT課程：ML與專家直覺63天狀態而影響。現在可以擴大天的決策。於是，就使用5種顔色表示昨天的狀態：white天沒加班。紅色(red)----代表前天沒加班，昨天有加班。green加班，前天有加班，昨天也有加班。也就是已經連續加班2天了。藍色(blue)---代表已經連續加班3天了。黑色(black)--代表已經連續加班4天了。進行操作(一)：基於過去四天的加班情形，呈現出昨天狀態的特徵(以兩者結合在起來，做為學習資料。如下圖所示：64by高煥堂misoo.tw@1之間了。這項動n接下來，就按下<學習>按鈕，指示AI展開學習，很快(幾秒鐘)就學然後，按下<預測>，就拿訓練資料來分類看看：AI理I說：您的決策可能不太好。CNN的核心在於卷積核(Kernel)模型設計及訓練。有了卷積核就能進Edge_AI_&AIoT課程：ML與專家直覺65行卷積運算(Convolution)來自動提取特徵了。進行操作(一)：卷積核模型設計時，首要任務是引入專家的經驗、智就蘊含了專家智慧。於是，設計了一個卷積核的訓練模型：66by高煥堂misoo.tw@為了簡單起見，上圖裡只列出4筆排班的原始資料(4位護士的本本月RA代表大夜班。徵(具有花式排班的表徵)。於是得到特徵表(FeatureMap)：有<花式排班>的表徵。CNNPooling進一步提取Edge_AI_&AIoT課程：ML與專家直覺67最後，建立CNN的全連接層(FCL)的模型，並進行訓練出來：這樣就完成了<排班>CNN深度學習的模型的設計與訓練了。就拿兩位新護士的排班表，來給AI評估看看：68by高煥堂misoo.tw@預測的結果呈現於粉紅色底的部分：第1位新護士的排班是正常的，而第2位新護士的排班則並不理想。AI協同實現護士排班AI認識護理人員與AI工程師之間的協同設計(Co-design)模式。teration個具體真實的問題，而尋找問題的改進新途徑。進行操作(一)：例如，上一個任務(任務13)裡的範例，所設計的卷積Edge_AI_&AIoT課程：ML與專家直覺69其中，並沒有充分考慮連續2次或多次換班的情形。Python後的Python碼，如下：70by高煥堂misoo.tw@進行操作(二)：有了Python程式的支撐，就可以讓更多護理人員(使用者)真實的按下上圖畫面上的<訓練1500回合>按鈕。於是這指令就去呼叫Google公司的TensorFlow訓練平臺，來展開實際的訓練工作了。進行操作(三)：護理人員(使用者)透過實際使用這個原型，並給予反精，止於至善。這是未來十年的產業潮流。人工智慧(AI)與物聯網(IoT)兩大趨勢匯流形成「智慧物聯網」(AIoT)，掀起全球產業革命，臺灣身為半導體重鎮及科技島國，如何善用自身優勢，搭上這波AIoT大潮。在前面的任務裡，您已經很習慣在Excel上設計AI模型了。現在，您將繼續把Excel做為整合AI和IoT的利器。愈來愈多的預訓練AI模型(如ResNet50)很容易外掛到Excel畫面上。SensorWifi息到Excel，速度非常快。Edge_AI_&AIoT課程：ML與專家直覺71(Cloud)通訊，融入到醫院的整體人機協同合作架構之中。當您(人們)熟悉了如何傳授智慧給AI了，就會希望AI能夠透過WiFi外的手機上。並且透過手機的藍Bluetooth指揮機器人展現出聰為動作。如下圖：從上圖裡，您可以看到了，其訊息分為兩段來傳輸的：***第1段：從AI到手機，是經由WiFi網路。***第2段：從手機到機器人，是使用藍芽協議的。Fi繼續從手機(經由藍芽)傳送給機器人。72by高煥堂misoo.tw@此刻會呈現出如下的畫面：按下畫面上方的<雲朵>按鈕，手機就開始進行藍芽掃描、配對，然後完成與機器人的連線。Edge_AI_&AIoT課程：ML與專家直覺73然後按下<LISTEN>按鈕，等待從AI傳來的訊息，如下：，AI就取出img077.jpg圖片，並呈現出來。74by高煥堂misoo.tw@果如下：AI一個訊息(即“Pen”字串)給手機。接著，手機又轉而發送(使用藍芽協議)給機器人。機器人(如聰明爪手臂)接到了傳來的訊息，就展開行動了，例如進行Edge_AI_&AIoT課程：ML與專家直覺75也可以傳送給更大型的機器人(或手臂)。其接到了傳來的訊息，就展：進行操作(一)：體驗機器人的語音服務。例如，華碩的Zenbo機器76by高煥堂misoo.tw@：熟悉Z?nqo的語料庫設計概念。首先使用Z?nqo的>機之間語音互動的對話腳本。由於aa3是用來編輯人與Z?nqo的對話，所以需要解析人傳達給也就是把卡布其諾、拿鐵、焦糖瑪奇朵、美式等歸類到>咖啡<概念進行操作(三)：規劃您的護理站專用的機器人>語料庫<。例如：Edge_AI_&AIoT課程：ML與專家直覺77然後，就將這個語料庫輸入到Zenbo裡，如下：進行操作(四)：實際展示成果。例如：然後，就可以繼續豐富語料庫的內涵，提供更多樣化的服務了。78by高煥堂misoo.tw@AI的兩項特徵：黑箱&不確定性。AI則(Rules)。傳統IT與AI的區別。AI(機器學習)的演進與因果革命。人機共舞：迎接新時代的來臨。◆◆◆Edge_AI_&AIoT課程：ML與專家直覺79Section-04擅用卷積運算，萃取專家直覺學習任務內容備註任務1認識卷積運算(Convolution)任務2自動提取特徵：活用卷積任務3任務4從專家行為，學習智慧80by高煥堂misoo.tw@兩兩相乘＆求和：Edge_AI_&AIoT課程：ML與專家直覺81RowwiseW[]進行＜兩兩相乘＆求和＞計算，如下的Python程式：##qx01_01.pyimportnumpyasnpx=np.array([[7.5,5.5],[3.1,12.3],[6.8,3.6],[1.2,8.6]],dtype=np.float32)w=np.array([0.15,0.15],dtype=np.float32)S=4y=np.zeros((S))foriinrange(S):y[i]=np.sum(x[i]*w)print("Y=",np.round(y,2))此程式輸出Y值：Y[1.952.311.561.47]82by高煥堂misoo.tw@oriinrangeSyinp.sum(x[i]*w)再加總(即求和)起來：Edge_AI_&AIoT課程：ML與專家直覺83一維(向量)卷積我們仍然可以分段來進行<兩兩相乘&求和>的計算，也就是從左邊稱卷動)，就能一邊滑動一邊進行<兩兩相乘&求和>計84by高煥堂misoo.tw@Y：Edge_AI_&AIoT課程：ML與專家直覺85示：示：86by高煥堂misoo.tw@#qx01_02.pyimportnumpyasnpx=np.array([7.5,5.5,3.1,12.3,6.8,3.6,1.2,8.6])k=np.array([0.15,0.15])#即wdefgetY(dx):y=np.sum(dx*k)returnyS=4y=np.zeros((S))defconv():#step-1dx=x[0:2]y[0]=getY(dx)#step-2dx=x[2:4]y[1]=getY(dx)Edge_AI_&AIoT課程：ML與專家直覺87##step-3dx=x[4:6]y[2]=getY(dx)#step-3dx=x[6:8]y[3]=getY(dx)conv()print("Y=",y)此程式輸出Y值：Y=[1.952.311.561.47]##qx01_03.pyimportnumpyasnpx=np.array([7.5,5.5,3.1,12.3,6.8,3.6,1.2,8.6])k=np.array([0.15,0.15])#即wdefgetY(dx):y=np.sum(dx*k)returnyS=4y=np.zeros((S))defconv():foriinrange(S):k=i*2dx=x[k:k+2]88by高煥堂misoo.tw@yy[i]=getY(dx)conv()print("Y=",np.round(y,2))此程式與前一個程式一樣，都輸出Y值：Y=[1.952.311.561.47]把程式寫得更簡潔又優雅##qx01_04.pyimportnumpyasnpx=np.array([7.5,5.5,3.1,12.3,6.8,3.6,1.2,8.6])k=np.array([0.15,0.15])#即wdefgetY(dx):y=np.sum(dx*k)returnysteps=4y=np.zeros((steps))stride=2kz=k.sizedefconv():foriinrange(steps):start=i*stridedx=x[start:start+kz]y[i]=getY(dx)Edge_AI_&AIoT課程：ML與專家直覺89convconv()print("Y=",np.round(y,2))此程式與前一個程式一樣，都輸出Y值：Y=[1.952.311.561.47]##qx01_05.pyimportnumpyasnpx=np.array([7.5,5.5,3.1,12.3,6.8,3.6,1.2,8.6])k=np.array([0.15,0.15])#即wdefgetY(dx):y=np.sum(dx*k)returnysteps=7y=np.zeros((steps))stride=1kz=k.sizedefconv():foriinrange(steps):start=i*stridedx=x[start:start+kz]y[i]=getY(dx)conv()print("Y=",np.round(y,2))90by高煥堂misoo.tw@在此程式輸出Y值：Y=[1.951.292.312.861.560.721.47]擴大卷積核XW素進行<兩兩相乘&求和>而得到Edge_AI_&AIoT課程：ML與專家直覺91Y：92by高煥堂misoo.tw@##qx01_06.pyimportnumpyasnpdefgetY(dx):y=np.sum(dx*k)returnysteps=3y=np.zeros((steps),dtype='float32')stride=2defconv(x,k):kz=k.sizeforiinrange(steps):start=i*stridedx=x[start:start+kz]y[i]=getY(dx)x=np.array([0.5,1,0.5,2,5,0,0.5])k=np.array([-1,1,0])conv(x,k)print("Y=",np.round(y,2))此程式的執行結果為：Y=[0.51.5-5.]自動計算步數(滑動多少步)的Python程式：##qx01_07.pyimportnumpyasnpEdge_AI_&AIoT課程：ML與專家直覺93ddefgetY(dx):y=np.sum(dx*k)returnystride=1defconv(x,k):xz=x.sizekz=k.sizesteps=int((xz-kz)/stride)+1y=np.zeros((steps),dtype='float32')foriinrange(steps):start=i*stridedx=x[start:start+kz]y[i]=getY(dx)returnyx=np.array([0.5,1,0.5,2,5,0,0.5])k=np.array([-1,1,0])y=conv(x,k)print("Y=",np.round(y,2))用計算公式為：steps=int((xz-kz)/stride)+1int+1Y=[0.5-0.51.53.-5.]看一個範例：##qx01_08.py94by高煥堂misoo.tw@importimportnumpyasnpdefgetY(dx):y=np.sum(dx*k)returnydefconv(x,k,stride):xz=x.sizekz=k.sizesteps=int((xz-kz)/stride)+1y=np.zeros((steps),dtype='float32')foriinrange(steps):start=i*stridedx=x[start:start+kz]y[i]=getY(dx)returnyx=np.array([0.5,1,0.5,2,5])k=np.array([-1,1])y=conv(x,k,3)print("Y=",np.round(y,2))用計算公式為：steps=int((xz-kz)/stride)+1int+1Y=[0.53.]Edge_AI_&AIoT課程：ML與專家直覺95光的三原色R。例如紅色與綠色按各種比例混合而形成爲：紅、橙、黃、綠、青、藍、紫。當年牛頓就發現了，其中的紅、綠、藍三種色光是無法被分解的。所以就稱之為：光的三原色。這三原色的色純度最高，最純淨、最鮮艶。可以調配出絕大多數色是這樣組合而成的。換句話說，像電視上述三原色光的發光設備，所以電腦就一張圖片，都是由許多小光點所組像。簡而言之，像素就是圖像的點的數值，然後從點連成線，G96by高煥堂misoo.tw@素。每一個像素都具有三個數值，代表紅光、綠光、藍光的亮度；就是剛才所介紹的RGB三色光。經由三色光的疊合來得到各種顏色。在電腦RGB5]。反之，當RGB值為現黑色。再如，當RGB值為[0,255,255]時，就是青色。以上所述的三原色，其原理並不是出於物理原因，而是由於人體的生理原因所造成的。人們的眼睛內有三種錐型感光細胞，這種細胞有感受顏色的物質。當三原色的光以不同的比例複合後，就會對三種錐形細胞產生刺激，就能對人的眼睛形成與各種頻率的可見光等效的色覺了。瞬間辨識像素的顏色和位置每一個像素都有三個特徵值：RGB三原色的值。現在有4個像素如下圖所示：Edge_AI_&AIoT課程：ML與專家直覺97上圖裡的X[]含有4個像素的特徵值，我們人類一眼就能看出這裡有兩個紅色像素，有一個綠色像素，以及一個藍色像素。那麼AI是否也能瞬間看出來呢?可以的，使用K0[]卷積核來對X[]進行卷積色像素(分別是像素0和像素3)。同理，使用K1[]卷積核來對X[]進行Y個紅色像素(即像素1)。茲寫個Python程式來實現上述的卷積運算：##qx01_09.pyimportnumpyasnpdefgetY(dx,k):y=np.sum(dx*k)returnydefconv(x,k,stride):xz=x.sizekz=k.sizesteps=int((xz-kz)/stride)+1y=np.zeros((steps),dtype='int32')foriinrange(steps):98by高煥堂misoo.tw@startstart=i*stridedx=x[start:start+kz]y[i]=getY(dx,k)returnyx=np.array([255,0,0,0,255,0,255,0,0,0,0,255])k0=np.array([1,0,0])k1=np.array([0,1,0])print("Y0=",np.round(y0,2))y1=conv(x,k1,3)print("Y1=",np.round(y1,2))Y0=[25502550]Y1=[025500]Edge_AI_&AIoT課程：ML與專家直覺99我們人類一眼就能看出這裡有一組<綠紅>相連的像素，也就是說，有一對像素，左邊是綠色像素，而右邊緊鄰是紅色像素。那麼AI是否也能瞬間看出來呢?可以的，使用K0[]卷積核來對X[]進行卷<綠紅>相連的像素(而且位於中間的兩個像素)。茲寫個Python程式來實現上述的卷積運算：##qx01_10.pyimportnumpyasnpdefgetY(dx,k):y=np.sum(dx*k)returnydefconv(x,k,stride):xz=x.sizekz=k.sizesteps=int((xz-kz)/stride)+1y=np.zeros((steps),dtype='int32')foriinrange(steps):start=i*stridedx=x[start:start+kz]y[i]=getY(dx,k)returnyx=np.array([255,0,0,0,255,0,255,0,0,0,0,255])k=np.array([0,1,0,1,0,0])y=conv(x,k,3)print("Y=",np.round(y,2))Y=[05100]100by高煥堂misoo.tw@任務-3、從專家，直接學習智慧每天中午12：00記錄其當天狀態。當其狀態為順時鐘、或反時鐘，屬於正常變化。如下圖：Edge_AI_&AIoT課程：ML與專家直覺101否則為異常變化(跳機)。如下圖：102by高煥堂misoo.tw@茲把這些資料呈現於Excel表格裡，如下圖：有一位負責檢視機器狀態的老師傅來了，他一眼就能看出了這工作6天)裡並沒有出現＜連續異常變化(跳機)＞那麼AI是否也能瞬間看出來呢?可以的，使用K0[]卷積核來對使用K1[]卷積核來對X[]進行卷積運算，得到Y1[]，就可以看出來到紅色。茲寫個Python程式來實現上述的卷積運算：##qx01_11.pyimportnumpyasnpdefgetY(dx,k):y=np.sum(dx*k)returnydefconv(x,k,stride):xz=x.sizeEdge_AI_&AIoT課程：ML與專家直覺103kzkz=k.sizesteps=int((xz-kz)/stride)+1y=np.zeros((steps),dtype='int32')foriinrange(steps):start=i*stridedx=x[start:start+kz]y[i]=getY(dx,k)returnyx=np.array([255,0,0,0,0,255,0,255,0,0,0,255,255,0,0,0,255,0])k0=np.array([1,0,0,0,0,1])k1=np.array([0,0,1,1,0,0])y0=conv(x,k0,3)print("Y0=",np.round(y0,2))y1=conv(x,k1,3)print("Y1=",np.round(y1,2))#EndY=[51002550255]Y1=[025505100]剛才是由兩個卷積核：K0[]和k1[]去進行卷積運算(即自動提取特徵)，分別看到了一次跳積現象。但是如何看出來是否<連續跳機>呢?答案是：再進行一次特徵提取(也是卷積)就可以看出來了。如下圖所示：104by高煥堂misoo.tw@把K0[]所提取的特徵與K1[]所提取的特徵，合併起來。例如，把Y0[]和Y1[]的對應元素進行<兩兩相加>計算，而得到z[]。然後，使用KZ[]卷積核來對Z[]進行卷積運算，得到YZ[]，就可以看出來了。茲寫個Python程式來實現上述的卷積運算：##qx01_12.pyimportnumpyasnpdefgetY(dx,k):y=np.sum(dx*k)returnydefconv(x,k,stride):xz=x.sizekz=k.sizesteps=int((xz-kz)/stride)+1y=np.zeros((steps),dtype='int32')foriinrange(steps):start=i*stridedx=x[start:start+kz]y[i]=getY(dx,k)returnyEdge_AI_&AIoT課程：ML與專家直覺105xx=np.array([255,0,0,0,0,255,0,255,0,0,0,255,255,0,0,0,255,0])k0=np.array([1,0,0,0,0,1])k1=np.array([0,0,1,1,0,0])y0=conv(x,k0,3)print("Y0=",np.round(y0,2))y1=conv(x,k1,3)print("Y1=",np.round(y1,2))z=np.zeros((y0.size),dtype='int32')foriinrange(y0.size):z[i]=y0[i]+y1[i]print("Z=",z)kz=np.array([1,1])yz=conv(z,kz,1)print("YZ=",yz)#End此程式的執行結果：Y0=[51002550255]Y1=[025505100]Z[510255255510255]YZ=[765510765765]於是AI可以看出來了：YZ[]的值都沒有達到1020，表示沒有發現<連續跳機>的現象。106by高煥堂misoo.tw@4A)和Zenbo機器人玩<剪刀、石頭、布>大家都很喜歡Zenbo機器人。小朋友都很喜歡我們一起創作的AI遊Zenbo會說出：「我們一起來玩剪刀、石頭、布。當我喊<剪刀、石頭、布>，我們就同時出拳喔，準備好了嗎?」。nboEdge_AI_&AIoT課程：ML與專家直覺107Zenbo同時說出了：「開始出拳喔，剪刀、石頭、布」。這時請您出拳，要說出來，例如說出：「布」。此刻Zenbo先已局定它的出拳，瞬間已聽到您說出的話(<布>)，就示出來：然後繼續重複地劃拳比賽。本案例的目的是要讓同徐們體驗<AI+Zenbo機器人>的樂趣，併計AI型、利用TensorFlo來進行訓Zenbo人類比賽，而起勝率通常超過60%以上。4B)AI會從比賽經驗中找出對手出拳規律AI會從比賽的經驗中找出對手的出拳規律。108by高煥堂misoo.tw@AI會觀察您出拳的各種習慣性。例如，它會從這100次的出拳紀錄您會習慣性選擇出什麼拳呢?按下<AI尋找規律>，AI就展開機器學習，並且以神經網路的權重來記錄它找出來的規律。Edge_AI_&AIoT課程：ML與專家直覺109然後他也輸出所找到的規律，如下：IAI有連續三次出一樣的拳。例如，從上圖的第1列，您前兩次都出<石頭>，AI就估算出您這次的可能性是：5再如，從上圖的第2列，前兩次都出<剪刀>，AI就估算出您這次將23AI很擅長於資料中尋找出其中的規律。110by高煥堂misoo.tw@4C)AI參考找到的規律，來決定如何出拳此時，如果AI出石頭，就它就穩輸了(風險高)；反之如果AI出<布前兩回，如果您出其他招(不連續出同一招)時，都全部看成<中等風招的風險，確保不會掉入高風險的賽局裡，它(AI)的贏面就大增了。除了比賽之外，在不確定性高的賭局、股市、戰爭、及未經歷過的情境，都是很管用的。現在就來把上述的贏家規律輸入到Excel表格裡，如下：Edge_AI_&AIoT課程：ML與專家直覺111AI習，並且以神經網路的權重來記錄其4D)把訓練好的兩個AI模型(智慧)，安裝到Zenbo裡剛才總共設計&訓練了兩個AI模型：AIAI。112by高煥堂misoo.tw@Iaboration◆◆◆Edge_AI_&AIoT課程：ML與專家直覺113Section-05遷移學習(TransferLearning)：復用專家智慧--以圖像識別的ResNet50為例學習任務內容備註任務1遷移學習：共享AI智慧的途徑任務2ResNet50模型的復用方法114by高煥堂misoo.tw@AI徑遷移學習(TransferLearning)就是善用別人已經訓練好模型的參數etReuseResNet別出圖片裡的人或物的種類，如水牛、斑馬、貓頭鷹或汽車等。AI的智慧是來自機器的自我學習，通稱為：機器學習(Machine中的特稱，並且學習歸納和分類。目前的ResNet50可以準確地識別出家居Edge_AI_&AIoT課程：ML與專家直覺115sNet目前最常見的AI圖像識別模型是：卷積