CH8 人工智慧

2. CH8 人工智慧 何謂人工智慧 人工智慧的定義 人工智慧的發展 人工智慧技術的介紹

3. 8.1 何謂人工智慧 簡單的回顧十多年來的「人機大戰」 在1996年 國際象棋大師卡斯帕羅夫(Garry Kasparov)與電腦“深藍(Deep-Blue)”展開交鋒，結果卡斯帕羅夫以4比2宣告勝利。 到了1997年 經過IBM一年多的研究與改進，“更深的藍(深藍Ⅱ)”誕生，並再次與卡斯帕羅夫對弈，深藍Ⅱ擊敗卡斯帕羅夫，此結果震驚世界。 2003年2月 卡斯帕羅夫再度挑戰電腦，最終與IBM超級計算機“青年(Junior)”戰成3比3平。 2003年11月 在紐約舉行的人機大戰較量中，卡斯帕羅夫與X3D－Fritz電腦戰成2比2平。

4. 最近，在2011年2月17日 美國IBM超級電腦「華生」（Watson）在遊戲節目「Jeopardy!」的「人機大戰」中，大獲全勝。 這次「人機大戰」中所涵蓋的題目包括歷史、文化、文學、科學等領域 「華生」在比賽中並未連接網路，而是藉由極高速的多重演算得出答案。 三個參賽者事先取得一組答案，從中推測要問的問題，鬥快按鈴搶答。 「華生」的成功，顯示人工智慧已有更進一步的發展，未來可能可以解答更艱難的問題。 簡單的說，人工智慧（artificial intelligence, AI）就是研究如何讓電腦有意識、能推理並做出相對應的行動的一個學門議題。

5. 8.2 人工智慧的定義 人工智慧定義分類表

6. 行為類似人類的人工智慧 具代表的判別方法 在1950年由杜林(Alan Turing 1950)所提出的杜林測試方法 詢問者提出問題後，由電腦程式是被詢問者 ，經由電腦回答後，如果詢問者無法分辨在 另一端回答的是人或者是電腦程式的話，則 表示這個電腦程式通過了杜林測試

7. 理性行為的人工智慧 在「理性行為的人工智慧」系統中 強調的則是依照某些已知的信念完成某些目標的動作。 因此，在這個方向整個重點著重在「是否能正確的推論」。 而在此部分，最具代表的產物就是代理人(Agent) 代理人是一種能理解與行動的電腦程式。 例如：當詢問者告訴代理人今天下雨，則代理人會回覆詢問者需要帶雨傘出門。

8. 理性行為的人工智慧(Cont.) 在這個體系下，發展人工智慧有許多優點 第一 相較於「思考方向」的人工智慧系統，「理性的行為」是較一般化的，依據發展的重點而言，可以正確的推論是明確且較易達成的目標。 第二 建立出來的系統，與「思考方向」的人工智慧系統相比較的話，是比較經得起考驗的，因為理性的行為是比較明確的。 第三 人類的行為在特定的環境下是比較容易被表達的。 在本章所介紹的人工智慧技術皆屬於「理性行為的人工智慧」

9. 8.3 人工智慧的發展 最早被公認的第一份人工智慧的研究就是由Warren McCulloh和Walter Pitts於1943年所進行的研究。 利用心理學、大腦神經元的功能與杜林的計算理論 提出了「人造神經元的模型」 模型中的每個神經元有「開」與「關」以及一個開關，這個開關在足夠數量的神經元受刺激後便會打開並作用。

10. 「人工智慧」的命名 隨後，於1956年 另外一位人工智慧中具有影響力的名人John McCarthy 說服了眾多學者協助他整合自動化理論、類神經網路等 在達特茅斯（Dartmouth）學院進行為期數月的研討會，彼此提出看法並交換意見。 故在早期的人工智慧孕育時期，並沒有太大的突破，然而在卻提供了彼此之間的研究大方向 而在達特茅斯（Dartmouth）所舉辦的研討會，所遺留下來的長遠影響便是，大家同意了McCarthy替這個研究領域命名為「人工智慧」。

11. 人工智慧的蓬勃發展 在人工智慧的定義 可以瞭解如果要發展出能像人類一樣可以思考人工智慧是非常困難的 因此，大約在1990年代 科學家以現實的策略代替樂觀的想像，把人工智慧的研究目標轉向發展電腦的智慧能力，以更有效地解決一些複雜的問題，而不再強求要發展出像人類一樣的智慧。 這使得人工智慧的研究漸漸走出低潮，新理論與新技術相繼提出，人工智慧的研究也更蓬勃地發展起來。

12. 8.4 人工智慧技術的介紹 專家系統-模擬人類在特定專業領域的決策行為。換句話說，專家系統是一種具有特定領域內大量知識與經驗的程式系統。因此，專家系統是目前人工智慧中最活躍、最有成效的一個研究領域。 決策樹 -決策樹(Decision Tree) 就是機器學習的技術之一，在人工智慧技術中是常被用來建立模型的重要方法，同時也屬於資料探勘領域中重要的分類技術之一。 模糊理論 -在1965 年由Zadeh教授所提出的，是透過定義隸屬函數（membership function）來界定成員是否隸屬於某個集合。不同於傳統集合只是簡單地把成員做二值化分類，模糊集合利用漸進的方式來模仿人類的想法，也就是根據程度的差別來描述一個集合，代表它對某些曖昧文字的模糊關係，如漂亮、昂貴、大、小等語意字詞。

13. 類神經網路 -就是採用了腦神經細胞具有眾多觸角藉以彼此溝通的概念，設計了類神經網路模型。最基本的想法就是在「給定的資料( 輸入)」與「想要的結果( 輸出)」之間佈置了很多的類神經單元( 點)，這些節點統稱為中間層，而中間層扮演著學習功能的關鍵角色。其中， 每一個神經單元可以視為一個獨立的計算單元，而這些計算單元間經由一些線路相互連結，且在這些連結上都附有一個權重係數，所代表的意思是連結的強度，這些係數決定了這神經網路的行為。 遺傳演算法 -由學者John Holland 於1975 年提出的，原理主要參考了達爾文進化論─「物競天擇，適者生存」的概念，設計出一個可以讓電腦自我演化並找尋最接近問題最佳解的答案，要讓遺傳演算法運作，需要決定的總共包含五個要素，1) 個體編碼方式；2) 基因運算方式，包括：選擇(Selection)、交配(Crossover)、突變(Mutation) 等三種運算； 3) 初始化母體方式；4) 適合度評估函數；5) 參數的設定。

14. 人工智慧 何謂人工智慧(Artificial Intelligence) 簡單而言，就是讓電腦能有近似人腦的能力 正式而言，計算能力的研究 知覺 推理 行動 $^%&.. 別碰我... 你看起來 像壤人...

15. 人工智慧領域 電腦視覺 機器人 自然語言 理解 近似搜尋 AI 語音辦識 神經網路 模糊理論 專家系統

16. 人機大戰 1997年人工智慧大事 IBM Deep-Blue(深藍)擊敗世界棋王 人類下棋的特性 模擬對手下幾步會採取的策略 應用著名棋局中的模式 個人下棋的經驗 學習對手的下棋模式 例子: 下象棋

17. 審局函數 把盤面局勢的利弊得失加以數值化 作為比較形勢優劣的基礎 一般常見的考慮因素如下： 子力 位置重要性 棋子靈活度 威脅與保護

18. 遊戲樹 A C D B -24 170 83 A C D B -24 +33 -67 E F G H I J K +40 +33 -24 93 -67 0 6

19. 人機大戰 電腦下棋 利用超強的計算能力 - 計算之後可能的下棋局勢 利用強大的儲存能力 - 將所有棋局模式加以儲存 利用機器學習的能力 - 學習對手下棋的模式 人與電腦到底誰厲害 叫阮第一名

20. 冷血超人 何謂專家系統 將人類專家的知識，以規則(Rule)或其他知識表達方式建立於系統中。 例如：If下雨天, Then不要出去玩； If不出去玩, Then要念書等 推論 輸入天氣是下雨，則得到系統要你去念書 以上可知，專家系統最主要的部分就是在於規則（知識）的取得及事實的輸入． 例子: 醫療診斷專家系統 例子: 核能電廠診斷系統

21. 專家系統架構

22. 專家系統例子 規則一 如果努力念書就可以有好成績 規則二 如果有好成績就可以考上淡江大學 規則三 如果有好成績就可以念資訊工程學系 規則四 如果考上淡江大學且念資工系就找小明老師 Question : 我努力念書時就可以…

23. 專家系統例子 If 你的另一半心情不好 Then 假裝不高興 Fact:另一半心情不好 If 假裝不高興 Then 心情不好 If 兩個人心情都不好 Then 會打架 If 兩人打架 Then 一個人會死翹翹

24. 知識的表達 以規則為主(Rule Base) 以語意網為主(Semantic Net) 其它 太太 Why….? Why….? Why….? 李阿美 王大明 丈夫 媽媽 爸爸 王小弟

25. 專家系統之特性 蒐集有效專業知識，並能成長擴充 24小時值行監視等專業性工作 反應快速 能在不良環境下工作 能根據很多因素下判斷 能對其行為做解釋

26. 機器學習 機器學習是人工智慧的核心!! 由例子中學習 例如: 燕子會飛，麻雀會飛　-> 鳥會飛

27. 機器學習 什麼狗是會咬人的狗: 12筆例子 顏色 大小 毛皮 類型 黑 大 粗毛 會 棕 大 軟毛 會 棕 中 粗毛 不會 黑 小 粗毛 不會 棕 中 軟毛 會 黑 大 軟毛 會 棕 小 粗毛 會 棕 小 軟毛 不會 棕 大 粗毛 會 黑 中 粗毛 不會 黑 中 軟毛 不會 黑 小 軟毛 不會

28. 機器學習 會 會 大 會 會 黑色 不會 不會 不會 中 顏色 會 體型 不會 會 棕色 不會 不會 會 小 黑色 不會 不會 不會 顏色 不會 不會 不會 棕色 會 Question: 中型的黑狗會不會咬人?

29. 機器學習範例 – 決策樹 一般來說，知識的取得有三種方式，分別為 (1)由知識工程師訪談得到； (2)由專家利用知識擷取程式自行輸入知識；以及 (3)由機器學習的方式建立。(決策樹) • 例如: • 燕子會飛，麻雀會飛　-> 鳥會飛

30. 決策樹 決策樹 主要的目的就是為了能找出足以用來分類新資料的規則，通稱為分類器(Classifier)，其建立方式屬於督導式的(supervised) 換句話說，就是需要從一些已知其類別的資料群中擷取有用的資訊來當成分類新資料的依據。 例如：今天天氣是陰天且濕度不高，那麼大家會打網球。而分類器主要的目的在建立一個分類模組(Classification model) ，如下圖:

31. 決策樹(Decision Tree)的演算法ID3 最有名的就是由Quinlan於1992年所提出的決策樹(Decision Tree)的演算法，稱為ID3，是最常被使用的分類器建置技術 1. 決策樹最主要的原理是利用不同類別中資料分佈的差異性來做為分類的標準，因此，決策樹所擷取出的分類規則才能利用這些特性來分類新的資料。 2. 此外，決策樹的演算除了找出分類規則外，同時也將這些規則建立成樹狀結構。 利用此樹狀結構可以更快的利用已知的規則分類新的資料，而決策樹也就是這個分類探勘方法所產生的分類器。

32. An Example 決策樹的訓練資料

33. 根據亂度選擇分類屬性 亂度示意圖 亂度大表示屬性值分配較平均、不具鑑別度 亂度小表示屬性值較一致、具鑑別度

34. 決策樹 規則(3) 規則(4) 規則(5) 規則(2) 規則(1) 規則(1): If Outlook is Sunny and Humidity = High, Then NoPlay; 規則(2): If Outlook is Sunny and Humidity = Normal, Then YesPlay; 規則(3): If Outlook is Overcast, Then YesPlay; 規則(4): If Outlook is Rain and Wind is Strong, Then NoPlay; 規則(5): If Outlook is Rain and Humidity is High, Then YesPlay;

35. 差不多電腦 傳統電腦決策 不是對(1)就是錯(0) 例如：25歲以上是青年，那26歲就是中年? 60分以上是及格，那60分以下就是不及格? 何謂模糊 在對(1)與錯(0)之間，再多加幾個等級 幾乎對(0.8) 可能對(0.6) 可能錯(0.4) 幾乎錯(0.2)

36. 差不多電腦 Question:168公分到底算不算高? 再多分成幾級  連續

37. Example:“Close to 0” e.g. μA(3) = 0.01 μA(1) = 0.09 μA(0.25) = 0.62 μA(0) = 1 Define a Membership Function: μA(x) =

38. Example:“Close to 0” • Very Close to 0: μA(x) =

39. 模糊集合論 Membership function [0, 1] e.g. high : x → [0, 1] 0.6 high 0.8 high x 0.1 high

40. Simple Intuitively pleasing A generalization of crisp set Vague  member → non-member High Not High 1 0.8 0.6 0.4 0.2 0 模糊集合論 0 or 1 Non-member member gradual

41. 模糊運算 交集(AND) 取較小的可能性 EX:學生聰明(0.8) 而且 用功(0.6) 則是模範生(0.6) 聯集(OR) 取較大的可能性 EX:學生聰明(0.8) 或者 用功(0.6) 則是模範生(0.8) 反面(NOT) 取與1的差 EX:學生聰明是0.8, 則學生不聰明0.2

42. 模糊推論之例子 小明找小老婆的條件 (大眼睛而且小嘴巴)或者是身材好 Question : 誰是最佳女主角 大眼睛 小嘴巴 身材好 陶晶瑩 0 0.8 0.3 張惠妹 1 0.6 0.8 李　玟 0 0.3 0.9 李心潔 0.7 0.1 0.5 蔡依林 0.8 0.5 0.3

43. Answer 對陶晶瑩= (0 AND 0.8) OR 0.3 = 0 OR 0.3 = 0.3 對張惠妹= (1 AND 0.6) OR 0.8 = 0.8 對李　玟= (0 AND 0.3) OR 0.9 = 0.9 對李心潔= (0.7 AND 0.1) OR 0.5 = 0.5 對蔡依林= (0.8 AND 0.5) OR 0.3 = 0.5 李　玟 為最佳選擇! 謝謝!

44. 模糊決策 A = {A1, A2, A3, A4, A5} A set of alternatives C = {C1, C2, C3} A set of criteria

45. Assume : C1 and C2 or C3 E (Ai) : evaluation function E (A1) = (0  0.8)  0.3 = 0  0.3 = 0.3 E (A2) = (1  0.6)  0.8 = 0.6  0.8 = 0.8 E (A3) = (0  0.3)  0.9 = 0  0.9 = 0.9  the best choice E (A4) = (0.7  0.1)  0.5 = 0.1  0.5 = 0.5 E (A5) = (0.8  0.5)  0.3 = 0.5  0.3 = 0.5 模糊決策

46. 腦力激盪 人腦結構及功能 由許多的腦細胞(Cell)組成 利用細胞之間層層的訊號傳遞而完成各種思考及學習的功能 觸角 細胞核 觸角 觸角

47. 類神經網路 模擬人腦中細胞的功能 輸出細胞 a9 a10 a11 中介細胞 a6 a5 a7 a8 輸入細胞 a0 a1 a2 a3 a4 • 每個細胞都有單一而簡單的功能 • 作業完成後再將結果傳給上層的細胞

48. 類神經網路例子 5 2 -4 2 1 3 + 1 5 1 - 2 4 2 - 3 2 1 +

49. 學習權重 I1：(2, 1, 3, +) I2：(1, 5, 1, -) I3：(2, 4, 2, -) I4：(3, 2, 1, +) Chosen InstanceCurrent Weight Vector Cycle0 (0,0,0) Cycle 1 (2,1,3,+)(2,1,3) Cycle 2 (1,5,1,-)(1,-4,2) Cycle 3 (2,4,2,-) (1,-4,2) Cycle 4 (3,2,1,+)(4,-2,3) Cycle 5 (2,1,3,+) (4,-2,3) Cycle 6 (1,5,1,-) (4,-2,3) Cycle 7 (2,4,2,-) (2,-6,1) Cycle 8 (3,2,1,+) (5,-4,2) Cycle 9 (2,1,3,+) (5,-4,2) Cycle 10 (1,5,1,-) (5,-4,2) Cycle 11 (2,4,2,-) (5,-4,2)

50. Separable vs Non-Separable