圖解機器學習、人工智慧與人類未來

前言

第１章　人工智慧、機器學習、演算法、大數據、黑盒子的基礎認識
1-1 概要　
1-2 AI的歷史與展望　
1-3 人工智慧、機器學習與深度學習的關係　
1-4 人工智慧之父 ─ 艾倫‧圖靈　
1-5 21世紀的新型石油─大數據　
1-6 蒙地卡羅法(1)　
1-7 蒙地卡羅法(2)　
1-8 機器學習與無人駕駛車(1)　
1-9 機器學習與無人駕駛車(2)　
1-10 演算法與黑盒子模式(1)　
1-11 演算法與黑盒子模式(2)　
1-12 使用者該如何看待黑盒子模式演算法(1)　
1-13 使用者該如何看待黑盒子模式演算法(2)　
1-14 使用者該如何看待黑盒子模式演算法(3)　
1-15 使用者該如何看待黑盒子模式演算法(4)　
1-16 使用者該如何看待黑盒子模式演算法(5)　
1-17 使用者該如何看待黑盒子模式演算法(5)　
1-18 人工智慧的利與弊(1)　
1-19 人工智慧的利與弊(2)　
1-20 人工智慧的利與弊(3)　
1-21 人工智慧的利與弊(4)　
1-22 AI會有情緒嗎？有情緒會不會對人類有所危害？　
1-23 我們需要有情緒的AI—強人工智慧嗎？　
1-24 AI的應用(1)　
1-25 AI的應用(2)　
1-26 AI的應用(3)　
1-27 AI的應用(4)　
1-28 AI的應用(5)　
1-29 碎形與AI　
1-30 碎形的起源　
1-31 碎形與AI　

第２章　認識大數據、傳統統計、商用統計與工程統計
2-1 大數據概要(1)　
2-2 大數據概要(2)　
2-3 什麼是大數據　
2-4 大數據的問題　
2-5 統計學界的統計分析與商業界的大數據分析之差異　
2-6 統計學界的統計分析與工程界的統計分析之差異　
2-7 大數據分析的起點　
2-8 資訊視覺化　
2-9 視覺分析的意義　
2-10 建議大數據該用的統計方法　
2-11 卡門濾波　
2-12 資訊科學家的定位、大數據結論　
2-13 資料探勘(1)：資料探勘的介紹　
2-14 資料探勘(2)：數據中的異常值　
2-15 資料探勘(3)：分群討論　
2-16 資料探勘的應用　
2-17 時間序列　

第3章　認識部分黑盒子演算法的統計原理
3-1 監督學習、無監督學習、半監督學習、強化式學習　
3-2 貝氏演算法(1)：概要　
3-3 貝氏演算法(2)：案例　
3-4 貝式演算法(3)：統計原理　
3-5 K-maen 演算法(1)：概要　
3-6 K-maen演算法(2)：案例1　
3-7 K-maen 演算法(3)：案例2　
3-8 K-maen演算法(4)：統計原理　
3-9 K-mean 演算法(5)：最佳化的K值　
3-10 K-近鄰演算法　
3-11 先驗演算法(1)：概要　
3-12 先驗演算法(2)：案例　
3-13 SVM演算法(1)：概要與案例　
3-14 SVM演算法(2)：推廣　
3-15 SVM演算法(3)：統計原理　
3-16 線性迴歸演算法(1)：概要　
3-17 線性迴歸演算法(2)：迴歸線的統計原理　
3-18 線性迴歸演算法(3)：相關係數的統計原理　
3-19 邏輯迴歸演算法：概要與案例　
3-20 決策樹演算法(1)：概要與樹狀圖　
3-21 決策樹演算法(2)：案例與剪枝(1)　
3-22 決策樹演算法(3)：案例與剪枝(2)　
3-23 隨機森林演算法：概要與案例　
3-24 淺談深度學習：人工神經網路　
3-25 可解釋人工智慧　
3-26 本章結論　

第四章　常用的基礎統計知識
4-1 標準差是什麼　
4-2 常態分布　
4-3 認識二項分布、卜瓦松分布　
4-4 大數法則　
4-5 中央極限定理　
4-6 中央極限定理的歷史　
4-7 標準化　
4-8 常態分布的歷史與標準常態分布　
4-9 t分布與自由度　
4-10 t分布歷史與t分布表　
4-11 卡方分布與F分布　
4-12 複迴歸分析(1)　
4-13 複迴歸分析(2)　
4-14 複迴歸分析(3)　

第五章　AI的發展與影響
5-1 AI的發展取決於有創意的教育　
5-2 淺談世界AI化後教育的衝擊與改變　
5-3 AI帶來極致的便利後，造成的社會結構衝擊　
5-4 AI世界的奶頭樂：人類生活的再省思　
5-5 AI的高度發展後，無條件基本收入作為配套可行嗎？　
5-6 AI的發展重心，應放在讓人類懂數學及AI應用更多數學上　
5-7 AI時代改變生活的速度，會如同搭電梯而非緩慢爬坡　
5-8 哲學問題思考 ─AI與人類未來　

錄 附
附錄一 利用Excel作某一商品的建議購物（關聯性分析、購物籃分析）　
附錄二 A Fast Training Algorithm for Multi-Layer Neural Network based on Extended Kalman Filter Approach　

前言

　　2019年已是資訊科技爆炸的時代，硬體效能進步、硬碟可容納資料量不斷變大，可收集到更多更完整的資料量（大數據）、且使用了更多的統計與機率，促使機器學習與AI能力不斷進步。進步的同時造就許多資訊工程師投入AI設計，也讓許多工作機會漸漸被機器與機器人取代。但大家似乎沒有意識到AI產業可能幾年之後就不再需要只會寫程式碼的「資訊工人」，因為幾年之後我們有可能出現自行寫程式碼的AI，所以今日投入AI的資訊工程師，屆時可能又要面臨沒有工作的情況。故資訊工程師到底還需要學習怎樣的能力才能因應變化快速的時代呢？

　　現在的資訊工程師大多重視程式碼中的演算法、語法、資料庫等，而閃避黑盒子原理，誠然黑盒子的內容就是統計與機率，並不容易理解，但是仍然不應該閃避或是換包裝自欺欺人，也就是將統計原理當作是資訊原理。程式碼中的演算法、語法、資料庫，這只是踏入AI界的基本功，好比說要去國外發展會該國語言只是基本配備（語法對應文字、文法），還需要拿得出手的一技之長，而對應到學習AI就是要會其原理，也就是統計與機率。

　　部分人對艾倫‧圖靈不會感到陌生，他被敬稱為人工智慧之父，在二戰時期設計了簡單的人工智慧（相對現代）破譯德軍電報。正式開啟人工智慧大門，促成大家對人工智慧的研究，最後獨立成為一門資訊學科。但大家不一定知道，偉大的艾倫‧圖靈也是數學家、密碼分析學家。早期並沒有所謂資訊人才，有的僅是數學人才，當時AI都是數學人才設計。所以資訊人才不應該逃避數學，完整的說，至少不應該逃避統計、機率的內容，才有機會在AI路上走的更遠。

　　再以作者在美國貝爾實驗室（Bell Labs）的經驗為例，以及對美國NASA的認識，這些先進的科研單位，都知道物理、數學、資訊相互結合的重要性，換言之貝爾實驗室清楚知道資訊的基本功（演算法、語法、資料庫等）只是讓人類與機器溝通的語言，實際上要讓它們更有效更聰明，免不了要物理學家、數學家的理論作為資訊科學的核心，所以學資訊不可以逃避統計與機率。

　　目前部分資訊人不了解統計與機率的重要性。如果統計與機率的原理不明白，將會讓程式產出的結果經常錯誤，卻又難以查證與發現，因為實際問題是核心數學內容的錯誤，而非程式語言的語法、演算法問題。如：2015年7月Google的人臉辨識會將黑猩猩與黑人搞混。同時數學家也不要以為AI與自身無關，數學家也應該要學程式語言，可以有效驗證數學內容。本書將會介紹及證明統計與機率如何有利於AI，及AI如何應用在數學問題上。

　　台灣教育方式習慣背公式、套公式，造就創造力低落的情況。將問題延伸到資訊科學上，就是學習語法、演算法、背黑盒子、套黑盒子，也造成資訊人創造力不足的情況，所以有必要完整的認識內容，才不會淪為只會操作與聽從命令的資訊工人。AI是智慧的象徵，初期必須由有創造力的人設計，故需要懂統計與機率，懂了原理才有機會創新。

　　許多資訊人認為語法、演算法、硬體、處理器的串連等比較重要，但作者不得不說，以數字排大小為例，語法、演算法可以有很多種。必須利用統計與機率才可以優化、精簡程式碼；重點是理解統計後才能創造出新的演算法，才能讓處理的效率變好。我們要知道，如果一直學習別人的東西，不去理解核心，形同跟在別人後面做事，不會領先他人。目前國外已經有很多資訊專家，認真面對統計與機率的問題。台灣沒有經濟條件一直慢人好幾步，唯有找到核心問題「資訊人要理解黑盒子的重要性，也就是理解統計與機率」，一步到位才有機會面對下一個時代的變遷。

　　對於一般人而言，目前坊間的AI書籍太過兩極化，也不夠全面，科普的書太簡略、專業的又太專業。令人不容易認識與理解AI及演算法，也無法注意到高度AI化的世界，除了優點外還有許多弊端，如：機器人統治世界或毀滅人類、或是人類濫用科技而自我毀滅、把社會變成地獄，以及AI會如何改變社會結構與教育型態。

　　本書的目的是給一般人、資訊工程師（Information engineer）與資料科學家（Data scientist）全面性的了解人工智慧與機器學習，使其各自知道應該知道的內容，以及相關的歷史、影響及風險。

　　「人工智慧無法脫離統計與機率，換句話說統計與機率就是人工智慧的靈魂。」
　　「人工智慧的發展如同滾雪球一般，愈來愈快，但我們不能只看優點，還要注意其弊端。」
　　「要成為優秀的物理學家，逃避不了數學。同樣的，要成為優秀的資訊工程師或資料科學家，也逃避不了統計與機率。」—波提思