淺談人工智慧和學習
休息了一小段時間, 總是該開始寫些我真正想要的東西, 當時選擇到研究所進修, 主要就是對深度學習這個領域相當感興趣, 也嘗試過自行摸索, 但總感覺就是少了些什麼, 後來我覺得, 也許就是少了一個有脈絡的學習吧？！接下來我會開始從比較細節的知識開始整理起, 畢竟這才是我真正想要從研究所帶走的東西。 先岔個題, 聊聊我曾嘗試做過的搞怪玩意兒, 我在前公司主要是負責產品研發, 那時我深深為人工智慧著迷, 所以我很想看看能不能在既有產品上加入點「智能」成分, 當時我負責研發的系統是BPMN流程服務, 那是一個基於工作流程而生的引擎服務, 你可以利用這工具來設計任何符合你工作環境需求的工作流程, 在您身處的環境中, 也許就是公文簽呈、製造流程等, 搭配ERP你可以做到出庫、投料甚至接單生產等自動化, 可以說, 流程引擎將串起你工作環境中的每個節點。 而我希望可以 讓流程自動轉送到更正確的地方, 甚至於, 加速每個節點的處理速度 , 於是乎, 我會開始記錄每個節點處理不同工作的效率和時間, 接著我會把這些紀錄做萃取和計算, 以此了解每個節點對這工作的重視度, 預測負責人的心理, 得出一套行為模式 , 在引擎接到工作後, 以此行為模式來判斷該如何加快節點的處理速度, 避免無意義的閒置。 綜合上述行為, 基礎的人工智慧, 不外乎就是以下這樣： 收集資料（Gathering data ） 準備數據（Preparing that data） 選擇模型（Choosing a model） 訓練機器（Training） 評估分析（Evaluation） 調整參數（Hyperparameter tuning） 預測推論（Prediction） 當然人工智慧的領域相當廣泛, 從最廣最廣的層面來看, 就包含了「時間序列與預測」、「圖像辨識」、「音訊處理」、「自然語言處理」、「動態影像處理」等 。 時間序列與預測 , 就是我最早最早做出來的土炮預測, 我們針對歷史數據作趨勢分析, 接著做預測分析、風險分析, 甚至推薦引擎等應用。 圖像處理 , 則是專做靜態影像的處理, 最常見就是人臉辨識、圖像辨識和機器視覺等, 我也曾嘗試用CNN做了一個模型, 也曾達到不錯的效果。 音訊處理 , 則是專做聲音資料處理, 每段聲音其實都有自己的波形, 而這波型就是一個特徵, 最常看到的應用就是語音識別、情...