而現在無論是公司或是個人生涯成功，AI 都已經是無法避免的一件事了，我開始想要跟上腳步但實際上有點慢了一步。
雖然相較於過去什麼都想學的那種無頭蒼蠅來得好，但要開始學之前也是基本功要紮穩；
至少…名詞要先理解吧？XD

後來看了大家推薦而選了 Coursera 這堂 Andrew Ng 的《AI For Everyone》，才剛上完第一章而進入第二章一點點，就覺得有很明確地知道它們之前的差異。

專有名詞解釋

**AI （Artificial Intelligence）**可分為：

• ANI （Artificial Narrow Intelligence）：專精於特定領域的，如 AlphaGO 在圍棋領域的專精；不過這類因為是專業，也比較少擴及到其他的領域去。
• Generative AI：近年來爆發式地成長，更通用於幫助不同領域的人，如目前大家熟知的 ChatGPT、Gemini
• AGI （Artificial General Intelligence）：可以做到任何人類可以做到的事情。我們會以為我們已到這一步了，但 Andrew Ng 認為我們還離 AGI 非常地遠

Machine Learning 是 AI 的其中一環，簡而言之是將 Input 轉成 Output（A → B），非常適合 supervised learning （中文稱「監督學習」，也就是用標記過的內容來訓練數據）。

舉例來說，拿一堆狗狗圖來標記 Yes / No 來指涉圖片有沒有狗狗，即可訓練出一個專門的模型來辨識圖片有沒有狗狗；
抑或是根據房子的大小、浴室、房間數來推估適合出租的租金等。

Deep Learning，常同時指涉 Neural Network，又是 Machine Learning 的其中一環，特別適合處理非結構化的數據（unstructured data，例如圖象、音檔、文字等，是相較於 structured data 如表單而言）。

Deep Learning 一樣是 Intput → Output，但中間會經過非常多不同的 Neurons 來最終得到期待的 Output。這有點抽象，但想像房子的價格，可能是由好幾個不同的成因而互相兩兩影響而成，最後可以做出可預測的 Output。

Data Science 在 Andrew Ng 的說明中，它會獨立於 AI 但又和 AI 共融（兩者有交集），它是運用數據來計算而找出 insights 的方式，但不是由 Input → Output。

舉例來說，因為有了房子大小、浴室、房間數及其租金，就可以發現可能在增加房間的數量可以有更好的租金；
抑或是廣告商發現在旅遊的廣告績效較佳，就投更多旅遊的廣告。

小記

用打得看起來很抽象，但我覺得 Andrew Ng 在課程內容真的講得很清楚；如果你有興趣想要多瞭解，這真的是一堂不可多得的課程。

是全英文，不過有中字（但我沒有看中字就是，不太確定準不準確）；深入淺出，相信你們也會喜歡 🙂

但千萬別像我一樣，因為太晚才看（我課程看到 22:00）結果半夜醒來太嗨睡不著 XD

感謝收看:D

如果您喜歡本篇文章，歡迎在右下角點選咖啡，贊助我們並給樂透一個罐罐 🐾