親愛的同學,大家好,我是桑慧敏 現在我們講第二個單元,網路苟電的案例 期望這個案例能讓人輕鬆分辨三個人工智慧的方法 專家系統、回歸模型與深度學習 我只期望大家能分辨這三個方法的不同,不需要知道其中的所有細節 現在考慮一家出售狗項圈與狗衣服等寵物用品的網路商店 許多顧客沒有時間去量狗的脖子與身體各尺寸,所以常有尺寸不合、退貨的情況 以下是寵物店莊老闆與電腦顧問阿平的對話,還有我的旁白 阿平,請你開發一個簡單的網頁

幫懶惰的狗主人推薦最適當的狗項圈與狗衣服的尺寸 老闆,我去找了一個狗的專家 專家告訴我,狗的品種、歲數、體重是選擇狗項圈跟狗衣服尺寸的重要特徵 這個專家制定了一大堆的規則,他把全部的可能性都幫我們一一列出來 我記得其中一個組合是,如果狗狗是拉不拉多,一歲以上,有三十公斤,身體沒有殘缺 那牠脖子的圓周大概會是四十公分,所以要介紹八號的狗項圈跟六號的狗衣服 使用了專家制定的規則,結果證明退貨率降低了50%,我很高興 阿平設計的系統,使用了人工智慧中上述的第一個性質,專家系統 專家系統需要一個特定領域的專家來制定特徵與推論的規則

這需要花大量的時間建立龐大的知識跟規則的資料庫 最大的問題是,這個專家系統沒有學習的功能,如上述第二到第五的性質 所以這個專家系統沒有辦法根據後來顧客的退貨情況來自動學習調整系統中的規則 顧客的退貨越來越多,我們原來的專家系統越來越不管用了 你能重新再設計能根據退貨資料自動學習的新系統嗎? 老闆,我利用一夜之秋第14、15、16獎的回歸分析 建立了一個簡單的回歸模型,來推薦狗項圈跟狗衣服的尺寸 很棒的是,這個模型可以持續的透過新的購買與退貨的資料來不斷的進步 阿平這次設計的系統已經使用了回歸分析,就是所謂傳統的機器學習方法

在這個案例中,回歸分析就是將我們的反應值狗項圈或是狗衣服的尺寸 寫成特徵值,包括狗的品種、歲數與體重等的函數 也就是有一個等式,等式的左邊是狗項圈,等式的右邊是這些特徵值 阿平,你可不可以再設計一個系統 只要狗主人照一張狗的相片,就可以自動推薦合適的項圈與狗衣服的尺寸呢? 這就難倒我了,怎麼可能不需要先輸入狗的特徵值,就能成功的推薦項圈尺寸呢? 阿平指出一個重要關鍵,傳統的回歸分析需要先知道特徵值,就是字變數 只根據相片做判斷,阿平現在需要學習人工智慧中的深度學習的方法 接下來的發展令人驚喜

阿平,我發現所有賣衣物的網路店家都面臨尺寸不合的退貨問題 我們不如關了寵物店,改行賣幫人選擇合適尺寸的軟體好了 只要開發一個軟體,所有網路店家都可以使用,真是一本萬利的生意 感謝一葉知秋啟發我們對數據分析的興趣,讓我們從此一本萬利 後來網路上出現了一個新的商店 稱為Kiwi Sizing 其中Kiwi就是奇異國 製作這個專題,我今天檢視了網站上605則的評論 其中有591則給了五顆星最高的評價,使用者好評不斷 大家可以上網去看一看 從經營一家網路的賣狗項圈與狗衣服的商店

到Kiwi Sizing擁有數萬個客戶 這是個真實的故事,是我兒子的經歷 他們只是20多歲的年輕人,真是英雄出少年 與大家分享 最後我們來做一個小練習 將本小節中狗衣服的案例中提到的人工智慧的方法與其邏輯 我們來連連看 人工智慧的方法 A專家系統 B回歸分析 C深度學習 下面有人工智慧的邏輯 123請大家將ABC與123連連看 答案是 A要配3 B要配1 C要配2

也就是專家系統 就是If Then的邏輯 如果狗的情況是A1就選用B1的尺寸 如果狗的情況是A2就選用B2的尺寸 以此類推 但是如果這隻狗的情況不在這1000種裡面 那這專家系統就沒有辦法建議出最適當的尺寸 回歸分析是一個等式 等式的左邊Y是反應值 表示狗衣服的尺寸 等式的右邊 X1表示狗的種類 X2表示狗的年齡 X3表示狗的重量 X1 X2 X3稱為狗的特徵值 C0 C1 C2 C3是時數 根據手中的資料可以計算出適當的時數 所以回歸分析必須要先有特徵值 才能夠估計出等號的左邊的Y

狗的衣服尺寸 深度學習的其中一個例子是給定一張相片 並沒有明確的特徵值 來要求能夠預測出適當的狗衣服 你答對了嗎 接著我們講第三個單元 人工智慧的三個分類器 SVM ANN 與 CNN 謝謝大家 MING PAO CANADA MING PAO TORONTO