五南官網-AI人工智慧導論─理論、實務及素養

語言、文學-通識
AI人工智慧導論─理論、實務及素養

作　　者：葛宗融、余執彰、張元翔、李國誠、許經夌、陳若暉、蕭育霖、連育仁、倪晶瑋、石岡、陳民樺、吳昱鋒、林俊閎、高欣欣、蔡鐘慶
出版社別：五南
書　　系：通識系列
出版日期：2021/09/08(2版1刷)
ＩＳＢＮ：978-986-522-971-9
書　　號：1H1R
頁　　數：224
開　　數：20K
定　　價：360元
優惠價格：324元

AI是什麼？在未來世界，AI與我們的生活息息相關嗎？

在人工智慧來臨的時代，期使你我能透過本書將人工智慧的相關知識內化並吸收，並更深一層地思考人類要如何與智慧機器密切合作，以找到人文與科技之間的平衡點，共創未來更好的科技生活。

人工智慧技術透過電腦硬體與邏輯運算不斷突破升級，未來必定持續將人類智慧的理論、技術和應用，發展出具人性化的AI機器，並擴展到無所不在的生活中，協助人類解決問題。近年來，這波AI浪潮再次席捲整個科技產業也帶來全新的挑戰，因此我們更要了解並有效地應用人工智慧技術，以提升競爭力。

本書架構：
1.AI領域概論：一開始以說故事的方式，帶領讀者想像未來充滿AI應用的世界，以及人工智慧發展演進與技術的基本概念。
2.AI專業技術介紹：從人工智慧在創作、金融、製造、文本、設計、環境、醫療等領域，及在實際應用例子上的發展脈絡。
3.AI實作演練：操作圖形辨識、影像辨識及自走車等演練，嘗試以實作來體驗人工智慧的技術架構。
4.AI素養陶鑄：探討人類在面對人工智慧技術蓬勃發展時，該如何省思其所衍生出來的各種科技素養與倫理等議題。

在人工智慧來臨的時代，期使你我能透過本書，將人工智慧的相關知識內化並吸收，更深一層地思考人類要如何與智慧機器密切合作，並持續發揮人類獨有的特質與不可替代性，以找到人文與科技之間的平衡點，共創更好的科技生活。

葛宗融
現職：中原大學生物醫學工程學系助理教授兼教學發展中心主任
學歷：國立清華大學動力機械工程學系博士

余執彰
現職：中原大學資訊工程學系副教授
學歷：國立中央大學資訊工程博士

張元翔
現職：中原大學資訊工程學系副教授兼系主任
學歷：美國匹茲堡大學電機工程系博士

李國誠
現職：中原大學資訊管理系助理教授兼中原與天普商學管理雙學士學位學程主任
學歷：美國路易維爾大學資訊工程博士

許經夌
現職：中原大學 物理學系教授
學歷：美國塔夫茨大學物理博士

陳若暉
現職：中原大學企業管理學系教授
學歷：美國北伊利諾大學經濟博士

蕭育霖
現職：中原大學工業與系統工程學系助理教授
學歷：美國 紐約州州立大學工業及系統工程博士

連育仁
現職：中原大學應用華語文學系助理教授級專業技術人員
學歷：國立政治大學華語文教學博士學位學程博士候選人

倪晶瑋
現職：中原大學室內設計學系副教授
學歷：德國斯圖佳特大學建築與都市計畫學位工學博士

石岡
現職：中原大學通識中心助理教授
學歷：國立臺灣大學 生物環境系統工程博士

陳民樺
現職：中原大學生物醫學工程學系助理教授
學歷：國立臺灣大學醫學工程博士

吳昱鋒
現職：中原大學教育研究所助理教授
學歷：北科羅拉多大學(University of Northern Colorado)教育科技博士

林俊閎
現職：中原大學師資培育中心助理教授
學歷：國立中央大學學習與教學研究所博士

高欣欣
現職：中原大學應用數學系教授
學歷：美國加州大學數學博士

蔡鐘慶
現職：中原大學財經法律學系助理教授
學歷：國立中正大學法學博士

在實作一開始，想問一個簡單的問題，圖3-1 中有兩種動物的圖片，可以知道分別是什麼動物嗎？相信大家都可以快速地回答出圖片裡的動物分別是貓與狗，甚至有些人還能準確地說出貓與狗的品種，但是，還記得我們是從什麼時候開始知道這兩張圖片分別是貓與狗的嗎？其實，我們的大腦就像人工智慧的分類器一樣，都是從過去的經驗中，依據各個管道或是媒介，將貓與狗的分類在腦海中進行學習，比如小時候父母指著貓與狗的圖片告訴我們，這動物是貓、這動物是狗，此種針對問題有明確答案的學習方式為前述章節所說的監督式學習，這也是我們此章節要學習人工智慧實作應用的影像辨識學習方式。
之前的章節我們認識了人工智慧、機器學習、深度學習等名詞，此三者間的關係如圖3-2 所示，人工智慧可以定義為，使用機器來展現人類的智慧的方式，即使用機器來完成需要人類才能達成的任務；而機器學習是人工智慧的一種實現方式，與通過特定演算法來完成任務的方式不同，是透過大量資料的特徵來學習，以找到其運行規則來達到人工智慧的方法；而深度學習則是機器學習的一種技術，其不需用透過特徵工程來提取特徵進行學習，其模型本身就包含了自動特徵提取的功能，只需要給予大量的數據與對應的答案即可得到適合的演算法，或是稱作運算模型。
機器學習是透過大量資料的特徵來學習的人工智慧，而一般我們會將原始資料集分為訓練資料集（training dataset）與測試資料集（test dataset），如圖3-3 所示，訓練集通常會占大部分比例，用來訓練模型，訓練完成後，再使用未參與訓練的測試集來測試模型的效能。然而，為了避免過擬合（overfitting）的情況發生，通常會將訓練資料集再切分一部分作為驗證資料集（validationdataset）（如圖3-4）。舉例來說，訓練資料集就像教科書，用來學習知識，驗證資料集則是練習題，用來確認學習的效果，避免背題目、死讀書之類的情況發生，而測試資料集則是最後確認學習成果的期末考試。
機器學習的訓練、測試流程圖如圖3-5，在監督式學習的情況下，機器學習會從大量過去的資料（data）和經驗（labels，即答案）來學習，通過其特徵（features）來找出新的演算法（model，即模型）來完成任務。而我們接下來會使用的機器學習方式為人工神經網路（artificial neural network, ANN），人工神經網路是一種模仿生物神經結構的數學模型，如圖3-6 所示，可以分為輸入層（input layer）、隱藏層（hidden layer）、輸出層（output layer）三個層次，其中隱藏層數量可以由模型設計者進行調整，隱藏層的每個神經元都代表一個抽象特徵。人工神經網路中每層神經元之間都有連結，如圖3-7 所示，每一個下層神經元都與前一層所有神經元有連結，並擁有各自的權重與偏差，其關係如式-1 所示：
a_0^((1)) = σ [〖(W〗_(0, 0)^((1))×a_0^((0))) +〖 (W〗_(0, 1)^((1))×a_1^((0)))
+〖 (W〗_(0, 2)^((1))×a_2^((0))) + B_0^((1))] （式 -1）

法律/政治

財經/商管/觀光

文/史/哲/期刊

理工/醫護

教育/心理/傳播

小五南/中等教育