1. 定義
   1. https://reurl.cc/EqLDk
2. 市場規模
   1. 2018年達81美元
   2. 2025年將達1058億美元
3. 基礎AI技術
   1. 機器學習ML
      1. 機器根據資料進行學習
      2. 監督式學習(Supervised Learning)
         1. 傳統填鴨式教育，直接把題目、答案都告訴機器，讓機器從中學習，抓出每筆資料Xn所對應Yn的Label
      3. 非監督式學習(Unsupervised Learning)
         1. 不直接給機器題目、答案，也就是每筆資料Xn對應的Yn不再有Label，必須由機器自己整理與歸納，試著從茫茫資料中找出規律性，學習如何針對問題做分類分群。
      4. 半監督式學習(Semi-supervised Learning)
         1. 部份的資料Yn是帶有Label的，機器可藉助這些Label代表的正確解答和資料規律性，進行更好的學習
      5. 強化式學習(Reinforcement Learning)
         1. 不直接給出Yn的Label，驅使機器嘗試理解Yn結果是好是壞，再把這些好壞做為回饋，精進機器的學習能力
      6. 深度學習(Deep Learning)
         1. 特徵
            1. Concrete Feature
            2. 具有明確定義的特徵
            3. 由人類根據知識而採取預先處理、所產生的結果
            4. Abstract Feature
            5. 沒有明確定義的特徵
            6. Raw Feature
            7. 從來沒人整理過的特徵
   2. 自然語言處裡NLP
      1. Content Extraction
      2. Classification
      3. Machine Translation
      4. Question Answering
      5. Text Generation
   3. 專家系統
   4. 電腦視覺
      1. Image Recognition
      2. Machine Vision
   5. 語音辨識
      1. Speech to Text
      2. Text to Speech
   6. Planning
   7. 機器人
4. 突破性技術
   1. 深度神經網路Deep Neural Networks(DNN)
      1. 讓機器自行透過資料的分析而找出特徵值，而非透過人類來決定特徵值
      2. DNN蘊含許多層神經元，並搭配運用自動編碼器(Autoencoder)來執行非監督式學習
   2. 深度強化學習Deep Reinforcement Learning(DRL)
      1. 2013年DeepMind發表「Playing Atari with Deep Reinforcement Learning」
      2. 2016-2017年間的AlphaGo
      3. 係指「強化學習」(RL)結合使用「深度學習」(DL)來強化決策推演的能力
      4. 方法
         1. 「基於價值」(Value-based)
         2. 「基於策略」(Policy-based)
         3. 「基於模型」(Model-based)
   3. 為生成對抗網路Generative Adversarial Networks(GAN)
      1. 由蒙特婁大學Ian Goodfellow等學者於2014年6月提出
      2. 是一種生成模型，意謂可從訓練庫當中獲得很多訓練樣本，進而學習這些訓練案例所生成的機率分布
      3. 具體做法
         1. 讓Generator Network、Discriminator Network兩個網路相互競爭，前者負責「生成」、後者負責「判別」
         2. 生成器會將Random Noise巧妙轉變成幾可亂真的新樣本
         3. 判別器必須學會判斷樣本真假，有助於大量刪減深度學習所需的資料量
   4. Automated Machine Learning
      1. 貝葉斯優化(Bayesian Optimization)
         1. 建構包含目標函數的機率模型，用以選出最佳的參數，藉此評估正確的目標函數