Search
【AI導入廚房？】
#你以為的AI #來點真的AI吧
下面這個 PTT 笨板的故事在說，因為餐點不夠美味，會議中被要求將 AI 導入廚房的電機工程師，最後竟然用人工+智慧解決了這個問題(欸?!)
[無言] AI廚房
https://www.ptt.cc/bbs/StupidClown/M.1579743544.A.D60.html
雖然 AI 在進行深度學習的過程，也經常讓人摸不著腦袋，例如調整不同的參數，找出機器學習最有效率的演算方式，竟然就可以讓機器自己學會新的語言，請戳文章↓↓
#對抗式學習 #到底怎麼辦到的 #臺灣前沿研究
我想，對於人工智慧的第三次復興，正在引領我們進入第四波工業革命這件事，已經越來越沒有歧見了。不管是 AI 的研究還是投資都在持續加快的此刻，包括我在內的每一位企業經營者，都應該很想知道：未來到底會是什麼樣？我們該拿出什麼策略才能搶得先機？
前總統馬英九在 4/30 日舉辦了一場眾星雲集的經濟論壇（重振台灣競爭力會議），包括馬前總統在內，台上坐了 11 個人，另外 10 位是：鴻海董事長 郭台銘、高雄市長 韓國瑜、前新北市長 朱立倫、前新北市長 周錫瑋、媒體人陳文茜、媒體人陳鳳馨、中小企業主代表劉智源、立法委員費鴻泰、立法委員賴士葆、立法委員 許毓仁。
由於之中有多位被視為即將問鼎總統大位的人物，論壇也變得像是總統辯論。看完整場論壇以及問答的我，儘管並不太滿意，但可從眾人談話中歸納出兩個主軸：第一就是「年輕人的未來」，第二就是「 AI 人工智慧」 。而這兩個我也非常關注的議題，其實是一體兩面：人工智慧被認為是創造未來、帶來希望的契機，但由於人工智慧也被認為將讓許多工作消失，因此也是讓年輕人覺得未來黯淡的因素之一，必須立即應對。
（ 論壇影片：https://www.youtube.com/watch?v=fKygCcdiPbI ）
（ 回溯閱讀：
鄭國威專欄：在人工智慧奪走工作之前
https://tw.appledaily.com/new/realtime/20180803/1403209/ ）
這讓我想到最近有一則令我哭笑不得的消息。在 5/2 日，有一位自稱 18 歲剛入社會工作的九年級 PTT 網友Metallicat，於八卦版發文問卦，他說他在「仔細探究」之後，發現都是七年級的老人趁著台灣經濟起飛的時候，賺了錢，然後又去炒房，才讓八、九年級生現在根本沒未來。
（ [問卦] 七年級炒房讓八九年級出社會買不起房?
https://www.ptt.cc/bbs/Gossiping/M.1556812192.A.E77.html ）
儘管這說法之荒謬令我這個七年級生不知從何吐槽起，總覺得是故意調侃，但若轉個念，我覺得不妨先問：即將邁入中年的七年級跟年輕的八、九年級生，有哪些差異？首先我想知道，在 2019 年的此刻，台灣到底有多少七年級生、八年級生、九年級生？
透過 國發會的「人口推估查詢系統」，我很快獲得答案：民國 70 -79 年出生的「七年級生」，目前在台灣約有 348 萬人，是所有「年級」中人數最多的。而民國 80-89 年出生的「八年級生」則驟降，約有 309萬人，足足比七年級生少了將近 40 萬人。
（ 人口推估查詢系統：https://pop-proj.ndc.gov.tw/ ）
更大的差距出現在八年級跟九年級生之間。於民國 90-99 年出生的「九年級生」，他們今年最小九歲，最大十八歲，總共只有 213 萬人，比八年級生少了將近百萬人。跟七年級生比起來則是少了 135 萬人。至於我的女兒所屬的「十年級生」（2011 年後出生）當然又比九年級生更少了，不過因為目前十年級生還沒全部出現，就不納入討論了。
少子化與老齡化是鐵錚錚的現實，然而從這些數字簡單來看，七年級其實是「僧多粥少」，競爭最激烈、又始終攀不上去的一個「緩衝世代」。
（借用作家黃麗群語，請見 〈在這個時代，當一個單打獨鬥的浪人──專訪黃麗群《我與貍奴不出門》〉https://okapi.books.com.tw/article/12035 ）
此刻的我們不夠老，又不夠年輕，「厭世」、「負能量」、「鬼島」、「崩世代」、「小確幸」、「佛系」這些時代氛圍都從七年級生的「悶」跟「喪」當中孵化出來。在這樣的情況下，我們迎來了人工智慧第三波復興。
關於這波人工智慧浪潮將如何影響年輕人的未來與工作，我們可以依照樂觀跟悲觀分成兩派。樂觀派認為技術革新造成的技術性失業只是暫時的，他們認為推動第一次跟第二次工業革命的技術，如蒸汽機或是電力，都帶來了更多就業機會、讓勞工的薪資提升、整體生產力也提高了。人工智慧這波新技術革命也不例外，甚至可以讓全球人類都過上富足的生活。
( 樂觀派的意見，可參考《富足：解決人類生存難題的重大科技創新》一書。
https://www.books.com.tw/products/0010591811 )
悲觀的人則認為，人工智慧帶動的第四次工業革命就是「例外」，而且從 30 年前起至今，由資訊科技推動的第三次工業革命，就已經與過去兩次工業革命有了不同的發展。特別是在已開發國家，資訊科技帶動生產力的提升，卻沒有讓人們的薪資與就業機會同步提升，反而還下降。什麼零工經濟、斜槓青年，恐怕都只是滑落到「無用階級」之前的美化用詞。
悲觀派的意見在《被壓榨的一代：中產階級消失真相，是什麼讓我們陷入財務焦慮與生活困境？》這本書中有深入的闡述。
然而，不論你是樂觀派還是悲觀派，都得先理解當前人工智慧最主要的價值所在。我在〈人工智慧，一個自我實現的預言〉(上篇) (中篇) 中引用過《AI 經濟的策略思維》一書作者的論點，其實現在的人工智慧提供的價值就是「平價的預測」。而人工智慧帶來的改變並非如科幻電影中那樣突如其來、征服地球，而是漸漸地改變我們生活中的一點一滴，例如當 Amazon 等電商平台越來越能預測消費者的購物偏好跟節奏，就可能將「先下單再送貨」的傳統模式，轉變為「先送貨再下單」的全新模式。
（ 上篇：https://medium.com/%E9%84%AD%E9%BE%9C%E7%85%AE%E7%A2%97%E9%BA%B5/%E4%BA%BA%E5%B7%A5%E6%99%BA%E6%85%A7%E6%99%82%E4%BB%A3-%E4%B8%80%E5%80%8B%E8%87%AA%E6%88%91%E5%AF%A6%E7%8F%BE%E7%9A%84%E9%A0%90%E8%A8%80-%E4%B8%8A-f7f344e8be0 ）
（ 中篇：https://medium.com/%E9%84%AD%E9%BE%9C%E7%85%AE%E7%A2%97%E9%BA%B5/%E4%BA%BA%E5%B7%A5%E6%99%BA%E6%85%A7%E6%99%82%E4%BB%A3-%E4%B8%80%E5%80%8B%E8%87%AA%E6%88%91%E5%AF%A6%E7%8F%BE%E7%9A%84%E9%A0%90%E8%A8%80-%E4%B8%AD-c8b845fa5637 ）
那麼，如果從政府的角度與總統的高度出發，面對人工智慧時代該如何應對呢？如果只是鬼打牆般地說「要利用 AI」、「邁向 AI」、「結合 AI」，不禁令我懷疑是否真的對這個重大議題有足夠的理解。若我身為那場論壇上需要回答問題的 2020 總統參選人，我會仿效最近政壇流行的五字訣，提出「政府得開放、企業更負責、人民要自覺」三個進入 AI 世紀重點。
大多數人期望生活變得更好，就算不發大財，也想安穩地小確幸，人工智慧具有極大的潛能幫助我們達到這個目標，但若政府想發揮這樣的潛能，就要更加開放。
首先，政府在投資與應用人工智慧上，需要獲得外界更多且更完善的監督，切記動輒以機密來迴避，而是要主動提高透明度。如果要使用人民的資料——例如現在有很多政府其他的單位、研究者、企業都想用台灣人的健保資料-——就必須獲得批准，而且這樣的批准流程也必須是公開可檢驗的。
而且，人工智慧作為一種人類創造出的科技，肯定是有漏洞的，政府應該主動修補絕大多數的系統漏洞，不要為了入侵跟監控的目的，而破壞產品或標準規格。例如，政府的警察/司法/國安單位，可能會為了各種目的，隱藏政府掌握的自動駕駛車或是物聯網家電設備的人工智慧安全性漏洞，如果後續因此出現問題，或是被揭露，人們對整個系統的信心都會受到嚴重打擊。
再者，就是企業得更負責。在 2016 年 AlphaGo 征服圍棋之後，先進國政府都不斷加碼，例如美國白宮科技辦公室在 2016 年就推出三份與人工智慧有關的策略報告。分別為「國家人工智慧研究發展戰略計劃書」( National Artificial Intelligence Research and Development Strategic Plan )：
https://www.nitrd.gov/PUBS/national_ai_rd_strategic_plan.pdf
「國家人工智慧、自動化與經濟計劃」( Artificial Intelligence, Automation, and the Economy )
https://www.whitehouse.gov/sites/whitehouse.gov/files/images/EMBARGOED%20AI%20Economy%20Report.pdf
以及「準備迎接人工智慧未來」( Preparing for the Future of Artificial Intelligence )。
https://obamawhitehouse.archives.gov/sites/default/files/whitehouse_files/microsites/ostp/NSTC/preparing_for_the_future_of_ai.pdf
中國國務院也在 2017 年 7 月發佈了《新一代人工智慧發展規劃》，定出三大策略目標，簡單來說就是期望在 2030 年，在人工智慧的理論、技術、與應用三方面都達到世界領先。英國則在 2017 年 10 月發佈了人工智慧發展報告，並在 2018 年 4 月推出《產業策略：人工智慧部門協議書》( AI sector deal ) （ https://www.gov.uk/government/publications/artificial-intelligence-sector-deal/ai-sector-deal ）
希望在面臨未來「人工智慧與數據經濟」、「行動未來」、「潔淨成長」以及「高齡化社會」四大挑戰下，推動英國成為人工智慧全球領先國家。
日本在 2017 年 3 月也提出了 人工智能技術戰略 （http://www.nedo.go.jp/content/100865202.pdf），目標是要建立一個跨領域的 AI 生活跟生態系，與日本原本的社會5.0 倡議結合，強調生產力，健康和行動化，特別重視要讓一般人能夠從 AI 發展中獲益。韓國政府在 2016 年人機大戰後， 立即宣布投入一兆韓元於人工智慧，2018 年又宣布新的五年計畫，將投資 2.2兆韓元，以加強在人工智能方面的研發。（舉例政策或法令），除了以上介紹到的幾個國家，加拿大、澳洲、印度、俄羅斯、法國、德國等國也都各自有類似的國家級AI策略，搭配既有的優勢，手段基本上都不脫離投資新創、人才教育、基礎建設、法規調適等項目。
（ 日本的社會 5.0 倡議
https://www.japan.go.jp/abenomics/_userdata/abenomics/pdf/society_5.0.pdf ）
各國卯起來希望自己能夠大有為地帶動本國的人工智慧產業，然而先行的企業積極投入研發跟打造應用場景，才是這一波人工智慧高潮不斷的動力。問題是，當人工智慧進入了企業運作的流程之後，可能讓企業得以規避責任，包括收集資料，侵犯隱私的責任，以及系統表現不良，造成客戶及使用者損失的責任。
「資料資本主義」主流化，代表資料超過了人力、土地、工廠、資本等等，成為最重要的經營資源。因此，當前企業傾向採取「用便利性換安全性」、「用免費換監控」等經營策略來推廣人工智慧產品，個別使用者很難抵禦。
當企業掌控的資料越多，在人工智慧，特別是深度學習的模式下，就佔據越大的優勢。資料也成為交易的貨幣跟競爭的籌碼，例如 Facebook 就藉由封鎖部分競爭公司，像是 Twitter 推出的 Vine 短視頻 App 使用他們的資料 API ，來阻止他們成長，同時也容許某些公司，像是 Netflix 跟 AirBnb 來使用 API ，藉此交換，讓 Facebook 也得以使用他們的用戶資料。擁有越多資料的公司，就能夠透過深度學習提升人工智慧的預測能力跟反應能力，讓產品更受市場青睞。
（ 延伸閱讀： Another scandal: Facebook user data reportedly at risk again
https://phys.org/news/2019-04-scandal-facebook-user-reportedly.html ）
Facebook 這種作法雖然有違反市場競爭，打壓對手之嫌，而且在我們這些用戶毫無所悉的情況下，就私相授受，也有爭議。但這早已是業界常態，專門的資料仲介商更是如雨後春筍般成立，人工智慧與資料資本主義只會逼得這些企業更加大力道競爭，不擇手段，包括更全面的監控、對隱私跟人權的迫害、以及讓系統漏洞被政府、企業、犯罪者錯誤以及惡意地剝削。
因此政府應該幫人民把關，要求企業告知使用者在使用人工智慧服務時，應該設想不同情境與影響，，包括政府單位可能會向企業索取使用者的資料、犯罪者跟駭客可能會將人工智慧系統視為目標而讓資料外洩、企業也可能會與其他單位交易使用者的資料。這些問題通常都隱藏在沒人看的服務條款或隱私聲明等頁面，並預設為同意，使用者都被迫說謊，假裝自己都看了、同意了這些複雜冗長的條款，這種現況需要被改變。歐盟從推出「一般資料保護規定」(GDPR) 到最近提出的人工智慧道德準則，都值得台灣借鏡。
延伸閱讀：
〈沒有人是局外人！史上最嚴個資法衝擊全球，帶你搞懂什麼是GDPR〉
https://www.bnext.com.tw/article/49249/gdpr-general-data-protection-regulation-eu-
〈Ethics guidelines for trustworthy AI〉
https://ec.europa.eu/digital-single-market/en/news/ethics-guidelines-trustworthy-ai
最後，人民需要更自覺。消費者有時候需要跟政府聯手，強迫企業坦承他們的人工智慧系統實際蒐集到哪些資料，並要求他們用比較少的資料來做事，儲存最少的時間，降低前面提到的各種風險。最重要的是，要讓使用者擁有處理個資的權利，能夠選擇在結束使用服務之後，把資料刪除。
就像網路一樣，我們已經無法迴避人工智慧，不管是用 Google 還是 Facebook，用手機app修圖、看機器寫的新聞、還是坐自動駕駛汽車、或是接受機器醫生的診斷，我們不自覺地與人工智慧展開共同生活，某方面來說是好事，代表我們正在適應新的時代，而且還沒有出什麼問題。
但從另一方面來說，這也代表我們不太清楚哪些生活中的場景（如前面所提到的案例），已經大量或全面使用人工智慧，哪些政府機關跟企業組織已經採用人工智慧，而且使用了大量來自人民的資料來訓練機器學習。要是我們對人工智慧不了解，我們可能不知道自己的權益被侵犯，就算知道了也不知道該怎麼辦。
如果政府不夠開放、企業不夠負責、而人民缺乏自覺。就會如歷史學者與暢銷作家哈拉瑞說的，人類的天然愚蠢，藉由強大的人工智慧放大，帶來糟糕的結果。例如過度的政府監控、無止境的軍備競賽、不受控的資料壟斷、更嚴峻的社會分裂，以及由人民發起，對人工智慧的全面否定與不信任。
以上是我試著角色扮演，以一個總統參選人的身份，設想出的回答，雖然我也不是專家，但這大概是我期待聽到、及格的回答方式。
然而回到一個公民的身份，我想對有志於總統大位的政治人物說的是：你們當中或許有人是一時之間無法妥善回答，或是被迫不懂裝懂，想靠著喊人工智慧跟發大財就獲得選票，但我想我們其實都更期盼人工智慧讓人不用在馬路上因車禍死於非命、相信藉由人工智慧能解開能源危機與環境惡化的難題、讓少子化跟老齡化不再是危機而是機會，甚至讓人類再也不用從事無意義的工作。
我們都不是奇異博士，未來會是什麼樣，我們都還不知道，但一個更理想的未來，需要我們從現在開始做出許多正確的選擇。選出誰是下一任總統，只是其中之一。
-----
如果你是總統參選人，針對人工智慧與年輕人的未來這一題，你會怎麼回答呢？歡迎投稿給 PanX （contact@panx.asia）切磋～（也歡迎真正要參選總統的人來稿喔～）
-----
今天的 #鄭龜嗑什麼 暫停一天。
和各位分享一篇不錯的社友分享～
201809
跟風一下 和大家分享關於這次蘋果新機的心得
由於本身在台積電從事機器學習和深度學習的開發，
這次特別關注被定義為入門機，單鏡頭的iPhone XR，
雖然在規格上被拿掉了許多東西，招致PTT鄉民各種批評，但在發表會上主講者不斷強調XR可以擁有跟XS一樣的功能及體驗，尤其是單鏡頭卻依然能拍出逼真的景深效果，這多虧於這次新的CPU A12 神經網路引擎以及其機器學習技術中的深度學習。
但Apple不是第一個這樣做的，早在2017 Google Pixel2 就有藉由深度學習及內置 Pixel Visual Core AI晶片，實現單鏡頭景深的功能並且是當時DXO拍照分數第一名，Google Pixel相機產品經理 Isaac Reynolds 認為當時的手機市場一直在進行軍備競賽，每款手機的規格不斷衝高包含記憶體和鏡頭數量 (2017年是最多雙鏡頭手機的一年)，各家廠商旗艦機鑑別度不大，不過軍備競賽即將告一段落，下一個方向是在深度學習上。
但其實只是開啟另一個軍備競賽，由於AI晶片和深度學習對於拍照功能的優化實在太厲害了，華為麒麟970、980、蘋果A11、A12、高通驍龍855等手機CPU皆內建AI晶片。
回到iPhone XR，雖然規格上拔掉很多但依舊保有其高階功能，似乎是在實驗要用軟體取代硬體，以自家技術取代供應商零件，即使銷售量減少了也能維持高毛利，至於為什麼會說是實驗，因為目前消費者還是喜歡以規格來評論手機，單鏡頭怎可能贏雙鏡頭，更何況是華為P20 Pro的三鏡頭。
如果手機相機市場是三鏡頭贏了，那依舊持續軍備競賽，大立光和鏡頭模組廠商可開心了，反之則可能失去股王寶座，而Google今年的旗艦機 Pixel 3根據曝光新聞繼續維持單鏡頭+AI晶片，但Google的市占率還不足以改變相機市場
引用iPhone XR廣告
「革新突破的相機系統。 全球最受歡迎的相機，正開啟攝影的新時代。創新的感光元件搭配影像訊號處理器 (ISP) 與「神經網路引擎」，協助你拍攝前所未有的精彩照片。」，來看Apple 如何重新定義手機攝影。
入社辦法
https://goo.gl/jRqeb6
(上集)
這集【人物專訪】來到台灣大學跟一位「宅男味很重」的電機系老師合作拍攝影片，他的研究風格 and 教學風格充斥著：二次元動漫梗、PTT鄉民詞彙、寶可夢、周星馳電影梗…等等元素，甚至還摻雜了一點鄉土劇的成分在他的研究與教學當中…
ㄟ！我不是在詆毀他喔，他這樣的研究跟教學風格可是大受學生歡迎呢！他是誰呢？！
#台灣大學電機系
#李宏毅的宅男之力
#AI神奇模型訓練師
#珊蒂微AI
#人工智慧
#AI
安排一天3小時，綜合做筆記時間，大約4-6周左右可以掌握AI機器學習所有 ... 第四階段 機器學習程式碼操作書單推薦：Tensorflow + Keras 深度學習人工 ... ... <看更多>
賴可發自凹非寺量子位報導| 公眾號QbitAI想做機器學習的工作，卻覺得自己沒有專業技能？ ... 深度學習的課程更不能滿足做獲取AI專業技能的需求。 ... <看更多>
機器學習深度學習ptt 在 Re: [心得] 自學AI資源分享- 看板DataScience - 批踢踢實業坊 的推薦與評價
感謝原 PO 的分享，我也來分享一下我自己的學習清單
==== 前言 ====
去年因緣際會知道了有關大數據、資料科學、機器學習這些領域
本來考慮要去參加資策會的課程，但自己要在家帶小孩
如果參加課程，小孩要找保母，整個機會成本太高，因此決定自學先
網路課程現在幾乎是隨手可得，想要自學的人根本不怕沒有教材可以學習，但是五花八門
的課程中，怎麼去選擇就是一個很重要的問題了。
我自己是一個門外漢，因此在選擇課程以及安排上面花了蠻多時間，以下大多是我看過或
是大概瀏覽過覺得不錯的課程，就推薦給想要自學又不知道怎麼開始的朋友們吧~
==== 概論 ====
由於自己雖為國立大學數學系畢業，但畢業非常多年，加上自己也非科班出身，因此想要
先了解整個領域的範疇、概要，之後再開始針對各個科目分進合擊。
PS : 初期我自己都以大數據為出發點，所以上的課都是大數據概論取向，但再其中其實
對於資料科學、AI、機器學習都會講到。
1. [ Coursera ] 大數據分析：商業應用與策略管理 (Big Data Analytics: Business
Applications and Strategic Decisions)
這門課是台大與玉山銀行合作開的線上課程，與其說是課程，我認為比較偏向講座，在這
過程中可以對大數據、機器學習等在商業上的應用。這堂課可當作補充資料來上，會有一
些實務應用上的概念，當然，如果沒時間也不一定非得要上。
2. [ Coursera ] Big Data Specialization
University of California, San Diego 開設的這們課程，我個人還蠻推薦的，尤其是對
跨領域、無先備知識的學習者來說，可以在這一系列課程中很快速地對整個領域有蠻深入
的理解。
3. [ Book ] 精通 Python
4. [ Book ] Python 資料科學學習手冊
這兩本都是 O’REILLY 的經典書籍，我必須坦白說我沒有完整的看完，精通 Python 我
針對資料科學的部分有完整看過，然後做習題，但裡面很多章節稍微跟資料課學無關的我
幾乎都暫先跳過，而資料科學學習手冊我是都拿來當工具書翻閱。( 所以我 coding 能力
還是一樣很差XDDDDD )
==== Python ====
第二階段我開始以 Python 為主進行學習，因為我自己 coding 能力幾乎是 0，這個部分
必然要作為初期學習的重點項目。另外，雖然說這是第二階段，但其實這部分跟上述的概
論課程我幾乎都是同時期一起上課。( 不過我坦承到現在我自己的 coding能力還是很差XDD )
1. [ Coursera ] Python for Everybody Specialization
這門是 University of Michigan 所開設的 Python 專項課程，完全從 0 基礎開始上課
，上完以後可以可以進行一些初階的程式作業我想是沒有問題的，這堂課並沒有太多針對
資料科學的部分，主要是以各領域都會用到的基礎工具為主。Charles Russell 的上課方
式我超喜歡，喜歡友去上課方式的人我想也會跟我一樣喜歡這門課。
2. [ Coursera ] Applied Data Science with Python Specialization
一樣是 University of Michigan 開設的，這專項課程我作為上門課程的接續課程。前面
幾堂會針對 python 在資料科學中會用到的模組、方法進行概略式的瀏覽，後面則會針對
視覺化、機器學習等領域做較為深入的介紹。整個課程較上一門來說困難度增加不少，因
為我自己有做手寫筆記的習慣，這門課的許多東西在我現在 coding 遇到問題時都還能翻
閱筆記作為工具書使用，我覺得受益不少。
3. [ Coursera ] Fundamentals of computing
Rice University 所開設的課程，之前應該也是在論壇看見推薦的，但課程難度較高，目
前我也是暫時先擱置還未進行這課程的學習。
===== Machine Learning =====
1. [ YouTube ] 機器學習基石 & 技法
(Machine Learning Foundations and Techniques)
台大林軒田教授所開設的機器學習課程，在 Coursera 與 YouTube 軍可以免費觀看課程
內容。這門課主要以基礎的機器學習演算法為主，但雖然說世紀處演算法，但內容包含的
數學比重較重，啃下來的確會有點困難，但整個課程的安排的確非常流暢，老師的講述也
算是蠻清楚。而且教授對於課程教學十分用心，如果在 YouTube 或是 Coursera 上面提
問，教授 (或助教) 都會盡可能地回覆。( 即使課程已經是兩三年前的課程了，現在也都
會看到教授的回覆，非常用心。 )
2. [ YouTube ] Machine Learning — 李宏毅
台大李宏毅所開設的機器學習課程，一直以來都是台灣及中國學習者極力推薦的中文課程
之一。課程內容與時俱進，每一年都會將最新的機器學習、深度學習的演算法、模型加入
到課程內，讓學習者能夠跟上整個領域的發展。數學的比重比林軒田教授的課程低，而且
多了許多有趣的範例及講述，上課起來輕鬆不少。然而，影片內容我個人覺得安排較為紊
亂，可能是每一年的課程進度剪接而成，在某一些地方的銜接度較差，這是上課時稍微讓
人困惑的地方。不過瑕不掩瑜，這門課程我認為還是非常值得花時間上的。
[ 補充 ] 最近中國一些人將李宏毅的課程整理成一個 github 專案，完全複刻課程內容
，包含了課程中的所有 demo 以及課程作業內容，非常值得大家在上課的同時做參考使用
。
[ 補充 ] 李宏毅另外有一門課程 " Machine Learning and having it deep and
structured "，會更深入講解機器學習的演算法跟架構，這也是後續上完 Machine
Learning 後可以深入補充的課程。
3. [ Coursera ] Machine Learning — Andrew Ng
由 Stanford University 的吳恩達教授所開設的課程，這已經是全世界公認的經典了，
不過已經花了大半年上完前面兩門課程的我，可能要稍作休息，待日後有機會再來進行這
門課程的學習。
4. [ YouTube ] Large-Scale Machine Learning
清大吳尚鴻所開設的課程 (https://www.cs.nthu.edu.tw/~shwu/courses/ml/)，忘了在哪
看見推薦的，我有上去大概看了一下，就學習論的部分我覺得講解的蠻清楚，就也是有空
可以再回頭來看看。
===== Mathematics =====
整個 Machine Learning 所涵蓋的數學領域其實是很廣的，有一些甚至不是數學系四年會
碰觸到的部分，而且某些部分甚至都是數學系、所一整學年的課程，我認為不用太糾結每
一個數學細節，找到一個可以說服自己的方式就好。( 當然，如果你真的想走演算法這條
路，要求就要再提高ㄧ些 )。如果有時間我會建議可以把機率統計以及線性代數的部分上
過一次(我大學機率統計實在學得慘不忍睹)，我認為這兩個領域如果可以上手，就會輕鬆
許多。
1. [ 清大開放式課程 ] 機率論
2. [ 清大開放式課程 ] 統計學
3. [ 清大開放式課程 ] 數理統計
這三們都是清大鄭少為老師所開的課，基本上他的機統普遍受到許多人的推薦，我自己有
看過前面幾堂的機率論，我認為條理清楚，講義也很詳細，這是我真的很想找時間上的課
程。
4. 線性代數
這個部份我目前暫時沒有重新上課的打算，大學教授上的非常好，我的筆記也都還留著，
就可以來回對照著參考，如果有推薦的課程也可以讓我知道，一起推薦給所有人參考看看
。
===== 補充資料 =====
這裡推薦幾個我認為很有幫助的學習途徑，有些是課程，有些並不算是。但我認為都可以
在上面這些基礎課程以外作為增強實力的補充教材。(備註 : 這裡我選出來的都是比較廣
泛性的平台，但 Medium 或是ㄧ些個人部落格也有很多非常棒的補充資料可以看，但這樣
的資料多且雜，我就暫時沒收在下列推薦名單中。)
1. AI 研習社 ( https://ai.yanxishe.com/ )
不得不說，中國在這領域的發展真的比台灣快而且豐富，當我在學習過程中找尋中文資料
時，九成都是從中國的論壇或是部落格中找到，台灣在這方面的分享上面的確比較少。
AI 研習社我會建議大家可以去他的線上課程看，裡面有幾個大師級的課程 ( 重點是有簡
中字幕XD )，例如 Hinton 的課程我就會想要找時間來看一下。裡面還有一些資料、論文
整理的部分，大家也是可以上去晃晃看。
PS:它有一門「機器學習必修之數學基礎」系列課程其實我還蠻有興趣的，但是學費不便
宜就…
2. CSDN博客 ( https://blog.csdn.net/ )
不管閱讀論文還是課程上面有疑問，絕對可以針對同一件事情再上面找到非常多樣化的解
釋。上面我曾經說過，很多時候不要拘泥，找到一個能說服自己的方式就好，通常我都會
在許多不同的解釋當中選擇一個我比較理解且能接受的方式作為我對這件事情的理解。
3. 知乎
這有點像是中國版的奇摩知識+ (?)，針對一個問題也可以看到底下有許多不同角度的切
入，我覺得這樣的學習其實蠻不錯的。當我在找資料的時候，只要是CSDN跟知乎我都會點
進去看一下，許多時候都會有不錯的收穫。
4. reddit/MachineLearing ( https://www.reddit.com/r/MachineLearning/ )
reddit 的 Machine Learning 版裡面有許多的神人，還潛伏了許多論文的作者在裡面，
時不時會有一些很新的論文發表、成果發表還有許多有趣的討論在裡面，我覺得可以收藏
起來看。
5. 微博公眾號
好，我知道這部分爭議很大，如果真的很介意的可以跳過這一 part。
我完全沒有在用微博，但為了ㄧ些公眾號的訂閱我才開始使用。許多公眾號會把很新的
AI 新知、或是一些知識整理放出來，雖然品質參差不齊，但也不得不說有時候真的能撿
到一些不錯的好文章。另外，覺得閱讀reddit 全英文資料很吃力的，有時候大概在
reddit 上面發表一兩天之後公眾號就有簡體中文的說明出來，我覺得有時候偷吃步其實
也是蠻可以的啦XDDDDD。還有一個公眾號會每天發送各種領域最新的論文內容出來，如果
閱讀論文速度很快的，可以從這樣的公眾號中拿到很多最新的論文資訊。
=======END=======
以上是我自己的一些學習資訊，也提供給大家參考看看
當然還有很多非科班出身必須要修的 例如資料結構跟演算法等等
我目前還沒有什麼概念，如果有人有推薦課程也希望不吝分享讓我知道一下
--
聽眾散去了,希爾伯特卻仍留在講台上,
他等著看自己是否已經運用有利的例子,優越的論證,
以及具誘惑力的23個問題,
塑造他期盼見到的未來.....
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 114.45.98.201 (臺灣)
※ 文章網址: https://www.ptt.cc/bbs/DataScience/M.1565639939.A.F2F.html
... <看更多>
相關內容