1.5 What is AI?
現代人工智慧（AI）對於新手來說可能顯得令人生畏，但一切都源自於一個非常簡單的目標：自動執行需要智慧的任務。目前的複雜性部分歸因於被稱為「人工智慧效應」的現象。 人工智慧效應 本週晚些時候，您將有機會深入了解人工智慧和機器學習的定義，但現在您可以將人工智慧視為： 能夠模擬智力任務的電腦系統 這個定義排除了機械過程，例如提升或運動，而是注重智慧結果。這裡的問題是如何定義「智能」。 多年來，人工智慧研究一直遵循這種模式： 定義研究者認為需要「智能」的問題 努力實現（全部或接近）問題的解決方案 改變「智能」的定義 重複 結果是，隨著技術的日益先進，人工智慧的定義也在不斷變化。一旦實現了某件事，這個過程就不再被視為「真正的人工智慧」。 舉個人工智慧效應的例子，你可以看看衛星導航系統。導航是一個複雜的過程，絕對是人工智慧，但大多數人不會將谷歌地圖（或您使用的任何地圖服務）視為現代人工智慧的例子。 有一個長期流傳的、但無法正確找到來源的關於人工智慧的笑話定義，完美地概括了這個想法… 人工智慧是電腦目前無法做到的酷事 人工智慧的誕生 這些圖片拼貼展示了過去人們對人工智慧的想像：綠野仙蹤中的鐵皮人、古希臘的三腳架、H.A.L. 《2001：太空漫遊》中的《9000》和《科學怪人》。 人工智慧最初的種子不是來自科學家和研究人員，而是來自藝術家和作家的頭腦。關於智慧機器的最早記載可以在古希臘神話中找到。文獻中多次提到侍奉神靈的智能鼎。 擁有自己意志的三腳架出席了諸神的宴會......菲洛斯特拉托斯，《提亞那的阿波羅尼烏斯傳》6 幾個世紀以來，智慧創造的想法不斷湧現，其影響甚至可以在更現代的文獻中看到。瑪麗雪萊的《科學怪人》講述了一個「怪物」被閃電喚醒後，獲得了思考和感知的能力的故事。更直接的比較可以在導演弗里茨朗 1927 年執導的電影《大都會》中找到，其中一名機器人女人模仿一位叛逆的老師。 數位革命 當電腦首次出現時，研究電腦的科學家早已接觸過關於人工智慧的虛構描述。他們發現電腦能夠執行複雜的計算，因此人工智慧效應開始發揮作用，並重新定義了智慧。 其中一位研究人員是艾倫·圖靈，他對「思考機器」的想法進行了深入的思考。圖靈提出了一種測試人工智慧的遊戲，稱為模仿遊戲，其中一名裁判會向兩名參與者提出一系列問題。關鍵在於其中一名參與者是一台計算機，而裁判需要猜出哪一台是計算機。 我將在接下來的步驟中進一步解釋這個遊戲，但我想在這裡強調一個重要點。 對圖靈來說，模仿遊戲的重點在於問題。他認為人工智慧機器能夠像人類一樣準確地回答各種各樣的問題。在他的論文《計算機器與智能》中，他建議讓參與者寫詩、選擇棋步併計算一些複雜的算術。 尋找通用人工智慧 根據圖靈開發的工作定義，20 世紀 50 年代的研究人員開始編寫能夠推斷出任何問題答案的「邏輯機器」；這種類型的人工智慧被稱為通用人工智慧。 為了實現這一崇高目標，電腦科學家借鑒了其他領域的經驗。貝葉斯統計模型自 18 和 19 世紀就已經存在，但它在幫助機器處理機率方面找到了新的用途。生物學家的工作也影響了類似人類大腦中生物神經網路功能方式的神經網路的發展。邏輯和哲學幫助開發人員處理不確定性下的決策。 人工智慧黃金時代的承諾未能持久。 20 世紀 50 年代成立的公司透過承諾提供無所不能的思考機器獲得了投資。當他們無法實現目標時，用於人工智慧的資金就開始枯竭。這導致了 1970 年至 1995 年之間的一段時期，被稱為「人工智慧寒冬」。 回歸 在1980年代，一些研究者開始回顧人工智慧的研究，並發現了一些新的應用。研究人員不需要開發一個看似「智慧」的整體系統，而是可以在更專業的環境中使用 20 世紀 50 年代開發的技術來增加「智慧」元素。 20 世紀 90 年代萬維網的發展是人工智慧進步的轉捩點，並使其走向了新的方向。隨著十年的發展，網路的一個重要產品變得清晰起來——數據。人類生產並獲得的數據比以往任何時候都多。因此，機器經過訓練可以處理和識別這些資料中的模式，以支援決策並幫助回答更多問題。這使得機器看起來更「聰明」。 在現代，對通用智能的追求並沒有停止，但它不再是主要關注點。 尋找 AI 效果的範例 找一個你或你的學習者經常使用的、成為人工智慧影響的受害者的技術的例子。您也可以在網路上搜尋 AI 效果，找到另一個範例，與您正在教學的學習者以外的其他學習者分享。
1.6 Chatbots: Can they pass the Turing test?
在上一步中，您了解了最著名的人工智慧測試，它是由艾倫圖靈在 20 世紀 50 年代設計的。自那時起，成千上萬的研究人員試圖創建程式和演算法來征服圖靈的挑戰。您將探索通過圖靈測試需要什麼以及人工智慧應用程式必須克服哪些挑戰。
圖靈測試
艾倫·圖靈在 1950 年的論文《計算機器與智慧》中重新定義了人工智慧的基本問題——「機器能思考嗎？」。他認為原來的問題不會提供有用的答案； 「機器」和「思考」的定義並不容易驗證。相反，他建議將這個問題完全改變為一個更易於證明的問題。他提出了一個新問題——“計算機能否很好地模仿智能行為，從而讓人們相信它們正在與人類交談？”
建議的測試需要一名人類裁判員，獨自坐在一個房間裡，使用計算機來提問並得到答案。他們將與兩位參與者交談。其中一個參與者是計算機，另一個是人類。每個參與者的任務是讓裁判相信他們是人類，而不是電腦。如果計算機能欺騙30％的評判員，它就算通過了測試。
對於希望自己的人工智慧應用通過測試的工程師來說，挑戰在於解釋和模仿。計算機不需要正確回答每個問題，但它需要理解每個問題以給出可信的答案。如果人類不知道問題的答案，他們仍然能夠給出具體的答案；您可以在下面看到範例對話。
裁判：你能寫一首詩給我嗎？
參與者：詩不是我的強項，但我是濟慈的粉絲。
這個答案可能來自計算機或人類。它很有說服力，因為它顯示了對所問內容的理解。
自從這篇基礎論文發表以來，研究人員一直在創建稱為聊天機器人的程序，試圖與人類進行令人信服的對話。作為對人工智慧的首次考察，您將與一些機器人聊天，看看它們對問題的理解程度以及模仿人類的程度。這應該會讓你看到通過圖靈測試所固有的一些困難。
在上一步中，您了解了最著名的人工智慧測試，它是由艾倫圖靈在 20 世紀 50 年代設計的。自那時起，成千上萬的研究人員試圖創建程式和演算法來征服圖靈的挑戰。您將探索通過圖靈測試需要什麼以及人工智慧應用程式必須克服哪些挑戰。
圖靈測試
艾倫·圖靈在 1950 年的論文《計算機器與智慧》中重新定義了人工智慧的基本問題——「機器能思考嗎？」。他認為原來的問題不會提供有用的答案； 「機器」和「思考」的定義並不容易驗證。相反，他建議將這個問題完全改變為一個更易於證明的問題。他提出了一個新問題——“計算機能否很好地模仿智能行為，從而讓人們相信它們正在與人類交談？”
建議的測試需要一名人類裁判員，獨自坐在一個房間裡，使用計算機來提問並得到答案。他們將與兩位參與者交談。其中一個參與者是計算機，另一個是人類。每個參與者的任務是讓裁判相信他們是人類，而不是電腦。如果計算機能欺騙30％的評判員，它就算通過了測試。
對於希望自己的人工智慧應用通過測試的工程師來說，挑戰在於解釋和模仿。計算機不需要正確回答每個問題，但它需要理解每個問題以給出可信的答案。如果人類不知道問題的答案，他們仍然能夠給出具體的答案；您可以在下面看到範例對話。
裁判：你能寫一首詩給我嗎？
參與者：詩不是我的強項，但我是濟慈的粉絲。
這個答案可能來自計算機或人類。它很有說服力，因為它顯示了對所問內容的理解。
自從這篇基礎論文發表以來，研究人員一直在創建稱為聊天機器人的程序，試圖與人類進行令人信服的對話。作為對人工智慧的首次考察，您將與一些機器人聊天，看看它們對問題的理解程度以及模仿人類的程度。這應該會讓你看到通過圖靈測試所固有的一些困難。
在此處嘗試 ChatGPT
點此試用 Google Gemini
討論
您在與法學碩士 (LLM) 交談中發現了哪些錯誤？
您能否舉出您的學習者可能會向法學碩士 (LLM) 提出但可能無法正確回答的問題的例子？
為什麼您認為 LLM 並不總是準確的，您會如何向學習者解釋這一點？
1.7 General and specialised intelligence
過去的幾個步驟都圍繞著同一個問題：什麼是智慧？對此問題的許多答案都假設智力涉及能夠對一般問題做出反應——但即使是聰明的人也會在完成舒適區之外的任務時遇到困難。是否有可能定義和測試“通用”智能？
圖靈測試的問題
圖靈測試旨在透過提出非結構化對話的挑戰來避免僅僅測試專業知識。然而，它假設如果某物看起來很智能，那麼我們就可以說它具有智能。有一個強而有力的論點反對這種邏輯，我可以用「中文房間」的類比來解釋。
想像一下有兩個人，他們之間隔著一面牆，牆上有一個可以傳遞訊息的縫隙。其中一位工作人員會講普通話，在將筆記傳遞給他們之前，他會用普通話寫下筆記。另一邊的人有一本手冊，裡面全是完美的普通話回复，他們可以把這些回复寫出來傳回去。第一個人會以為自己正在和另一個說普通話的人交談；他們看起來很流利。
然而，拿手冊的人真的懂國語嗎？不，他們不知道。提出「中文房間」思想實驗的約翰·塞爾表示，這就是圖靈測試的關鍵問題。如果一台機器看起來是智慧的，那並不意味著它是智慧的，它只是表現出一些我們與智慧相關的特徵。
其他人同意 Searle 的觀點並認為我們應該調整對智力的看法。
通用與專用
塞爾和其他人認為，我們應該擺脫圖靈夢想中的通用智能：可以回答任何問題並在任何情況下智能執行的程序。相反，我們應該首先專注於選擇一個問題，然後創建一個專門的人工智慧應用程式來解決它，就像你在聊天機器人中看到的那樣。
這樣我們就得到了智力的三個定義，它們是相互關聯的。
智力－勝任智力任務的能力
通用智力－能夠勝任多種智力任務
專業智力－完成特定智力任務的能力
目前對人工智慧的研究更集中在最後一種類型——專門智慧。人工智慧應用程式的任務範圍要小得多，因此程式可以經過訓練變得非常熟練。這就是拼圖的最後一塊碎片──機器學習。
學習機器
自從人工智慧研究以來，機器學習幾乎一直都是人工智慧研究的一部分。它甚至在圖靈的論文《計算機器和智能》中被提及和討論。這個想法很容易表達——我們能否訓練一個能夠「學習」並變得更加「智慧」的人工智慧應用程式？當這個概念首次被探索時，其想法是讓機器學習如何變得具有一般智慧：從「嬰兒」機器開始，讓它學會像人類一樣聰明。
與其他人工智慧研究一樣，機器學習在人工智慧更專業的應用領域中找到了一席之地。現在，我們可以製作一個超級專業化的程序，它還可以學習如何更好地完成其任務。機器學習使研究人員能夠創建遠超人類的應用程序，例如，在棋盤遊戲圍棋中擊敗世界高手，或僅通過檢查面部就能確定某人的年齡，誤差在兩年之內。
當你第一次聽到機器學習時，聽起來好像機器將以與人類相同的方式學習，涉及各種經驗並開發許多不同的技能。這是一個誤解：機器學習實際上是調整模型的過程，以便隨著時間的推移，它在執行特定任務時變得越來越準確。與人類學習通常會促進其他領域的發展不同，機器學習僅能提高人工智慧應用程式所針對領域的效能。
討論
您認為通用智能應該成為人工智慧研究的目標嗎？
您認為哪一個對社會比較有用？為什麼？
一台能夠回答我們所有問題的超級電腦…
高度專業化的機器相互連接的網路...
1.8Defining AI and machine learning
在過去的幾個步驟中，您已經對什麼是人工智慧和機器學習以及什麼不是什麼有了更多的了解。在這一步驟中，我想展示它是如何成為許多不同學科的產物，將不同科學分支的技術融合在一起。
多線結
人工智慧與機器學習是多學科融合的產物。下圖顯示了相互重疊的主題是如何組合在一起的：
維恩圖將電腦科學顯示為一個大圓圈，其中包含一個小圓圈內的人工智慧。另外兩個圈子，一個代表統計學，另一個代表數據科學，與電腦科學和人工智慧相互重疊。機器學習是四個學科重疊的領域。
這些學科中的每一個都涉及機器學習和用於訓練機器學習模型的方法。
電腦科學
電腦科學涵蓋了為解決問題而開發的所有電腦硬體或軟體。
機器學習很大程度上依賴電腦科學技術來產生和測試演算法。
統計數據
統計人員取得數據並進行分析以便做出明智的決策。
具體來說，機器學習很大程度上依賴於處理機率和機會的統計技術。
數據科學
數據科學涉及獲取大量數據並使用演算法進行分析。
數據科學家需要了解數據，以便建議如何使用數據做出明智的決策——其中涉及的技能被稱為「數據素養」。您將在後面的步驟中重新審視資料科學，因為它對機器學習演算法有很大的影響。
人工智慧
之前，你看到了人工智慧的簡單定義：
能夠模擬任何智力任務的電腦系統
問題在於，上述定義在某種程度上適用於每個電腦程序，因此對於識別特定程式是否智慧沒有幫助。
在這集精彩的機器學習指南播客中可以找到另一個定義，我建議您聽聽看。演示者提供了這個測試來判斷一個程式是否是人工智慧：
原始程式設計師與輸出之間的距離有多遠？
因此，如果程式遵循一組“如果...那麼”規則，您可以說它不是很“人工智慧”，因為程式設計師直接創建了確定哪些輸入應該產生特定輸出的規則。然而，對於基於一組資料進行訓練的機器學習模型，當模型獲得新的輸入時，程式設計師對模型輸出的直接控制就會大大減少。這意味著，如果該模型能夠透過全新的輸入產生準確的結果，那麼您可以認為該模型相當「人工智慧」。
實際上，「AI」一詞被用來指兩件不同的事情。
電腦智慧的研究與學習
模擬智力任務的程序或程序的一部分
所有人工智慧應用都有一個共同點，那就是它們有助於解決涉及大型資料集的問題，而在這種情況下，編寫處理資料所需的所有規則是不切實際的。當問題很複雜，涉及太多因素時，就會發生這種情況，手動分析資料來識別模式會非常耗時（例如，預測股票市場的價格），或者自己找出最合適的結果是一項非常困難的任務（例如，串流平台上的內容推薦）。
硬人工智慧與軟人工智慧
在前面的幾個步驟中，您探索了通用人工智慧和專用人工智慧之間的區別，並且有許多術語用於區分它們：
類型術語
通用硬人工智慧或強人工智慧
專門的軟人工智慧或弱人工智慧
一些學者呼籲人們停止使用這些術語，因為它們似乎暗示通用性更強，但你在閱讀有關人工智慧的文章時仍會看到它們的使用。
機器學習
機器學習是一套工具和實踐，使用資料來訓練人工智慧模型以產生更好、更準確的輸出。該領域正在不斷發展，但通常涉及以下類型之一的培訓：
監督學習
無監督學習
強化學習
神經網路
您將有機會在課程後面更詳細地探討其中的每一個。
機器學習結合其他學科的原理來創建極其專業的演算法。演算法的設計和工程使用電腦科學原理，而「智慧」演算法的設計則繼承自人工智慧。用於訓練和測試模型的資料是利用資料科學原理收集、組織和清理的。演算法中使用統計技術來幫助處理機率和不確定性。
範例——導航
前面我說過，大多數人不會把衛星導航系統看成人工智慧的例子，但它是一個智慧程式。我將向您介紹上述所有領域如何幫助司機從 A 到達 B。
導航系統建立在電腦科學的產物之上，包括追蹤系統的衛星、顯示地圖的手機或其他設備。
我可以稱該程式為智能，因為沒有程式設計師坐下來預先編寫在所有情況下選擇路線的明確規則。相反，程式會使用演算法，考慮一系列條件（可能包括當前的交通水平和過去的旅程速度）來建立原始程式設計師可能未曾預料或打算的路線。
統計和數據科學原理是地圖創建不可或缺的一部分，程式使用道路數據來規劃路線。統計技術有助於匯總其他乘客的旅行時間和繞行路線，以便更好地規劃您的路線。資料科學家將協助清理和預處理資料以刪除不必要的資訊。例如，在規劃路線時，演算法將忽略道路上的車道數量，因為這不會影響路線（儘管道路上的交通狀況會影響）。
最後，機器學習可以幫助導航系統隨著時間的推移而改善。隨著規劃的路線越來越多，系統將回饋數據，幫助演算法在未來規劃出更好的路線。例如，這些資料可能包括到達目的地的實際行程時間，或您在每條道路上行駛的速度。
另一個例子？
選擇另一個智慧程式的例子並描述您認為上述每個學科所發揮的作用。
此時您可能還不能確定，但可以使用上述描述來幫助指導您的思考。
1.9 Classification
分類
分類問題涉及我們向計算機提供數據，然後計算機將其分配給標籤或類別。
假設一家線上零售商想要一個可以快速判斷產品評論是正面的還是負面的系統。為了解決這個問題，零售商可以使用文字分類演算法來尋找正面和負面的評論。
為了使文字分類器能夠分離出正面和負面的評論，它首先需要一些訓練資料。零售商需要輸入過去的評論，並將每個評論標記為正面或負面。該演算法將使用這些訓練資料來創建決策邊界，以區分正面評價和負面評價——我將在下週對此進行更多解釋。
散點圖繪製了正面和負面的評論，並在中間放置了一條決策線。圖表上顯示了新的評論。
當用戶提交新的評論時，演算法會根據其位於決策邊界的哪一側對其進行分類。
我在這裡描述的是一種監督學習的形式，因為它需要一個監督者（人類用戶）來創建類別並標記訓練數據，以便演算法可以獨立地對新數據進行分類。
分類類型
二元分類
二元分類涉及將項目分成兩類。上面的例子是二元分類，因為它將評論分為「正面」和「負面」。二元分類的另一個例子是垃圾郵件過濾，因為電子郵件要么被歸類為“垃圾郵件”，要么被歸類為“非垃圾郵件”。
多類別分類
這是一種允許兩個以上類別的分類演算法。在標記過程中，每個資料樣本僅被分配一個標籤。例如，回收中心需要透過拍攝傳送帶上傳送的廢棄物的照片來對每種廢棄物進行分類。多類分類模型不是將物品分為可回收或不可回收，而是允許更廣泛的類別，例如玻璃、塑膠、紙張或紙板。
多標籤分類
這可以用於單一資料點可以有多個類別的問題。例如，對動物圖像進行分類的人可以使用多個標籤來標記棕熊的圖片，例如「棕色動物」、「毛茸茸的」和「熊」。
實際上，這些系統對每個資料做出多個二元分類預測。
不同類型的分類器
上面的例子展示了對不同類型的資料、文字和圖像進行分類的幾種方法。其他分類器將使用這些類型的資料用於不同的目的，或對其他類型的資料（如聲音）進行分類。
圖片
影像分類涉及對影像的內容進行分類。除了已經給出的範例之外，常見用途包括：
臉部辨識
手寫識別
幫助識別醫學影像上的異常
文字
文本分類器透過使用較長的文本來分析自然語言來識別類別，而不是僅僅挑選出常見的關鍵字。常見用途包括：
主題分析以識別主題或文本中存在的主題。例如，為客戶提供支援的聊天機器人需要「分類」客戶遇到的問題，以便提供適當的支持，例如將客戶引導至相關網頁。
情緒分析（偵測語言是否帶有正面或負面的語氣）。
垃圾郵件檢測。
聲音
聲音分類器會將相似或相同的聲音進行分類。語音辨識是一個常見的例子，其中系統經過訓練可以識別個人聲音或識別命令，例如家庭自動化系統。另一個例子是透過記錄鳥鳴聲來幫助研究科學家識別某個地區的鳥類種類。 BirdNet 是一個項目，您可以在 BirdNet 項目網站上親自嘗試。
分類的主要局限性
值得注意的是，使用分類演算法進行機器學習的主要限制在於預測的準確性取決於：
存在適當的標籤。如果輸入到系統中的資料不屬於任何一個類別，那麼預測將永遠不準確。
所有訓練資料均正確標示。在某些情況下，這可能是主觀決定（例如在情緒分析的情況下）。訓練資料越主觀，任何新資料被錯誤分類的可能性就越大。
使用廣泛分佈的訓練資料來代表模型必須分類的全部輸入範圍。
本質上，創建大量高品質的訓練資料需要花費大量的時間和精力。
任務
選擇一種分類類型（圖像、聲音或文字），然後在線上尋找使用這些類型的演算法的另一個範例。
盡可能詳細地解釋這個例子
您認為它可識別哪些類別？
video-1
在接下來的兩個步驟中，您將使用 Google 的 Teachable Machine 創建您自己的石頭剪刀布遊戲。 您將使用圖像分類來教您的電腦辨識遊戲中使用的典型手勢。 當您第一次造訪 Teachable Machine 網站時，您需要選擇想要製作的項目類型。 我要把手舉到相機前，因此我將選擇使用標準影像模型的影像項目。 您需要為電腦識別的每種手勢建立一個類，在本例中，一個類用於石頭，另一個類用於布。 因此我要將第 1 類改為石頭，第 2 類改為紙。 我們需要第三個剪刀類，因此我要新增一個類別並更改名稱。
Teachable Machine 可讓您使用網路攝影機捕捉影像，以供演算法學習。 每個類別大約需要 50 到 100 個樣本，因此請確保獲得一系列不同的角度。 我要點擊搖滾網路攝影機，然後我要舉起我的手，指向搖滾網路攝影機。 我要繼續錄音。 您可以看到它正在獲取大量圖像樣本。 我要稍微移動一下我的手。 然後我會對紙做同樣的事情，這次做紙手勢。 您可以在那裡看到圖像樣本。 最後，剪刀。
做出剪刀的手勢。 好的，現在我們有大量針對每個不同類別的影像樣本。 所以現在，下一步就是訓練模型。 我要按下「訓練模型」按鈕，Teachable Machine 將會取得所有這些影像樣本，並基於它們來訓練演算法。 完畢。 我現在可以使用預覽框測試我的模型來查看它的準確性。 所以我要舉起我的手做出搖滾手勢，你可以看到輸出顯示 100% 搖滾，所以這很好。 我要去試試我的論文，很快又發現那是論文。 最後，剪刀。 並且它顯示出剪刀。 讓我們從石頭到剪刀，再到布，再到剪刀。 測試進行得怎麼樣？ 模特兒在做任何手勢時是否遇到困難？ 在下面的評論中分享您的經驗。
video-2
如何將新模型部署到 Scratch 中以便實際使用它？ 我打開了在 rpf.io/ml-scratch 找到的 Scratch 定製版本。 您將需要專門的區塊來與您的模型互動。 我還為您提供了這個啟動項目，這是一個僅使用文字命令的石頭剪刀布遊戲。 但我們將改變它們。 首先，您需要從左側選單中取得 Teachable Machine 模組。 您將需要在程式開始時使用此模型區塊。 所以我要把它插入到這裡的「當綠旗被點擊」指令的正下方。 這裡有一個空間可用於放置您在上一步中建立的模型。 您只需貼上 URL 即可。 要完成導入，您需要執行該程式。 目前，我還沒有我需要的任何課程。 您可以從側面的方塊看出，它們只顯示類別 1。 您會看到這些課程現在已經更改為我們在 Teachable Machine 中建立的課程。 您會知道它已經起作用了，因為類別出現在這個下拉式選單中。 我們將改變使用者選擇子程式以便開啟相機。 因此，使用我的可教機器塊，我將把打開視頻添加到這個子程序中。 我希望它等待一秒鐘，所以我要使用這個控制塊。 目前，它正在使用文字命令，我不再需要它了。 所以我要刪除我不需要的文字命令和我不再需要的文字答案。 相反，我將使用我的模型並將其插入其中。 最後，我只想在第二次之後關閉我的影片。 讓我們把它關掉。 現在您有了一個使用真實手勢來玩石頭剪刀布的刮刮卡遊戲。 我們來嘗試一下吧。 我的小寶貝說：“你好！” 歡迎來到石頭剪刀布。
首先，你想玩幾輪？ 我們進行三輪吧。 它要求我在三秒鐘內做出手勢。 那我該怎麼辦呢？ 剪刀。
而且大家都知道我選了剪刀。 這是選定的論文，所以我贏了——是的。 我們再試一次吧。 所以在三秒鐘的時間裡，我想我會搖滾起來。 它認識到我選擇了搖滾。 遊戲選擇了剪刀。 我又贏了。 所以我是贏家。
請按照下面文章中的說明了解如何改進這個已經很棒的遊戲。 你在與電腦的遊戲中表現如何？ 您還可以使用 Teachable Machine 和 Scratch 製作哪些其他遊戲？ 在下面的評論中分享您的經驗和想法。
video-3
恭喜您完成課程的第一週。 本週，您學習了人工智慧和機器學習的起源，並定義了它們之間的差異。 您也訓練了第一個機器學習模型來辨識石頭剪刀布遊戲的手勢。 下週，您將探索更多可以使用機器學習解決的問題。 您還將了解數據科學技能對於機器學習的重要性。 本週您發現有什麼特別有趣的事嗎？ 有哪些概念您覺得比較難理解？ 在下面的評論部分分享您的想法。
video 2-1
您好，歡迎來到機器學習和人工智慧簡介的第二週。 在第一周，您了解了機器學習的歷史，然後使用兒童機器學習探索了分類。 本週，您將基於這些經驗，深入研究機器學習可以幫助解決的更多問題。 你會發現資料科學技能對於機器學習專案有多重要。 並且，您將與其他學習者一起討論有關人工智慧資料收集和偏見的道德問題。 本周有哪些話題您特別感興趣？ 在下面的評論部分分享您的想法。
2.2 Identifying problems for AI and ML to solve
儘管機器學習已用於幫助社會許多領域，但用它解決每個難題都會花費大量成本和時間，而且不能保證更好的結果。您將探索 AI 和 ML 可以解決的問題類型。與許多技術領域一樣，最好先解決要解決的確切問題，然後再決定技術解決方案。
當傳統程式設計不足以滿足需求時
傳統程式設計（程式設計師設定嚴格規則的電腦程式）適用於電腦可以解決的許多（如果不是大多數的話）問題。人工智慧和機器學習可以幫助解決傳統程式設計技術過於複雜或耗時的問題。
機器學習使規則能夠被學習而不是被手動建構。然而，問題很複雜並不意味著它無法透過傳統程式設計中設定的嚴格規則來解決。我想用兩個對比的例子來說明這一點。
觀星
在漆黑晴朗的夜晚仰望夜空，您可能會看到許多星星。即使你住在沒有光害的地區，要數清天空中某一區域的所有星星幾乎是不可能的。為了實現這一目標，強大的望遠鏡捕捉影像，並透過電腦程式分析這些影像。由於影像中的星星具有相似的特徵，科學家利用傳統的程式技術編寫了一個可以計算圖像中星星數量的程式。該程式可以重複使用，以識別望遠鏡未來拍攝的影像中的新恆星，並預測夜空中某個區域可能有多少顆恆星。雖然這個問題很複雜，但它並不是一個需要透過機器學習來解決的問題，因為關於如何辨識影像中的星星有一小套固定的規則。
傳簡訊
預測文字是一種透過預測您正在輸入的單字的其餘部分以及您可能想要使用的下一個單字來節省您的時間的技術。對所有需要的規則進行編碼對於手動編碼來說太過複雜。相反，程式設計師可以使用機器學習來訓練模型，該模型包含數百萬個人預先存在的簡訊對話範例。他們還可以透過在訓練資料中添加來自特定人的大量訊息來使模型個性化，並根據他們的寫作風格對模型進行訓練。
AI要解決的常見問題
以下是可透過 AI 和 ML 解決的常見問題的範例——您可以在本課程的其他地方找到有關這些問題的更多詳細資訊。
複雜識別（分類）
分類問題涉及向計算機提供數據，以便它可以為數據分配合適的標籤。正如我上週所描述的，分類可用於識別影像中的特徵，或用於情緒分析、垃圾郵件偵測和語音辨識。
預測（迴歸）
機器學習的主要用途之一是對未來事件做出預測。這是透過一種稱為迴歸的方法完成的，該方法分析歷史資料以做出未來預測。分類選擇標籤的預測，而迴歸將計算一定範圍內的數字。使用回歸的一個例子是天氣預報。
知識組織（聚類）
知識組織涉及獲取資料集並允許機器學習演算法找到資料點之間的模式、群組和聯繫，而無需人工提前指定要尋找什麼。這樣做的好處是，演算法可以提供人類無法辨識的數據見解。
例如，音樂串流服務可以使用此功能將相似的用戶分組在一起，以便更準確地提出推薦。
電腦視覺
電腦視覺的主要目的是能夠看到圖像中的內容並從中提取有用的信息。它結合使用上述概念來自動執行可透過人類視覺實現的任務。
2021 年 2 月，NASA 成功將毅力號火星車降落在火星表面。電腦視覺在此次任務的成功中發揮了關鍵作用。在著陸過程中，空中起重機將火星車固定到位，同時著陸器處理來自攝影機的即時數據。利用人工智慧，無需人工幹預，著陸器能夠識別表面的物體和潛在危險，直到找到安全的著陸地點。自著陸以來，火星車一直在分析影像，以幫助它安全地繞過耶澤羅隕石坑，並預測哪裡最有可能成功找到火星上過去生命的證據。
您能否想到本課程中尚未提及的分類或回歸問題，可以使用 AI 或 ML 來幫助找到解決方案？在討論中與其他同學分享您的答案。