【 第五章 】
AlphaGo憑什麼打敗人類棋王?
對應的課綱主題:資料分析、資料探勘
本章節將以上一章節的 「演算法」為起點,從人工智能的發展歷史脈絡進行介紹,最後再簡述經典問題 「圍棋」 的本質困難,還有 AlphaGo 在概念上如何利用類神經網路訓練出下棋「直覺」而打敗棋王。
筆者希望可以藉由這些內容幫讀者揭開人工智能的面紗,也讓大家可以理解為什麼現代科學與商業如此重視數據與資料!甚至,引發讀者去思考充滿人工智能的未來世界裡,那些可以被自動化處理的問題與同質性高的工作都將仰賴人工智能協助處理,因此,我們可以有更多的時間與精力專注於 「創造」、「文化」、 「人性」、「情感」 方面的領域,結合人類與人工智能合作產生的綜效,我們可以讓世界變得更為美好!
阿發狗(AlphaGo)
網路資源
2. 數位時代:淺談Alpha Go所涉及的深度學習技術
專家系統(expert system)
網路資源
1. MBA 智庫百科:專家系統
2. 國立台灣科技大學 資訊工程系所:專家系統
類神經演網路(Artificial Neural Network)
網路資源
1. MBA 智庫百科:人工神經網路
資料探勘(Artificial Neural Network)
網路資源
機器學習(machine learning)
網路資源
神經元(neuron)
網路資源
1. The News Lens 關鍵評論:
想將大腦一千億個神經元相互連結,你需要大約十兆GB記憶體
深藍超級電腦(Deep Blue)
網路資源
1. 民報:
1996.2.10 超級電腦「深藍」首次挑戰西洋棋世界棋王
生成對抗網路(Artificial Neural Network)
網路資源
1. nVIDIA:
何謂生成對抗網路? 聽聽頂尖研究員怎麼說
蒙地卡羅樹搜尋(Monte Carlo tree search)
蒙地卡羅樹搜尋(英語:Monte Carlo tree search;簡稱:MCTS)是一種用於某些決策過程的啟發式搜尋演算法,最引人注目的是在遊戲中的使用。一個主要例子是電腦圍棋程式,它也用於其他棋盤遊戲、即時電子遊戲以及不確定性遊戲。 WiKi連結
網路資源
1. StartupBeat:
淺談AlphaGo演算法
表徵學習(Feature learning)
網路資源
1. ITRead01:
網路表徵學習綜述
圖形處理器(GPU)
圖形處理器(英語:Graphics Processing Unit,縮寫:GPU;又稱顯示核心、視覺處理器、顯示晶片或繪圖晶片)是一種專門在個人電腦、工作站、遊戲機和一些行動裝置(如平板電腦、智慧型手機等)上執行繪圖運算工作的微處理器。圖形處理器是輝達公司(NVIDIA)在1999年8月發表NVIDIA GeForce 256(GeForce 256)繪圖處理晶片時首先提出的概念,在此之前,電腦中處理影像輸出的顯示晶片,通常很少被視為是一個獨立的運算單元。而對手冶天科技(ATi)亦提出視覺處理器(Visual Processing Unit)概念。圖形處理器使顯示卡減少對中央處理器(CPU)的依賴,並分擔部分原本是由中央處理器所擔當的工作,尤其是在進行三維繪圖運算時,功效更加明顯。圖形處理器所採用的核心技術有硬體座標轉換與光源、立體環境材質貼圖和頂點混合、紋理壓縮和凹凸對映貼圖、雙重紋理四像素256位彩現引擎等。 WiKi連結
網路資源
1. 科技報橘:
CPU 與 GPU 到底差在哪?
深度學習(Deep Learning)
深度學習是機器學習中一種基於對資料進行表徵學習的演算法。觀測值(例如一幅圖像)可以使用多種方式來表示,如每個像素強度值的向量,或者更抽象地表示成一系列邊、特定形狀的區域等。而使用某些特定的表示方法更容易從實體中學習任務(例如,臉部辨識或面部表情辨識)。深度學習的好處是用非監督式或半監督式的特徵學習和分層特徵提取高效演算法來替代手工取得特徵。 WiKi連結
網路資源
1. 泛科技:
3分鐘搞懂深度學習到底在深什麼