人人都可參一咖的人工智慧

⼈⼈都可參⼀咖  ⼈⼯智慧蔡炎⿓政治⼤學應⽤數學系的科技部「科技⼤擂台。與AI對話」「中國⼤陸概論」核⼼通識課程

!2 AI 不過就是問個好問題 AI 核⼼技術—神經網路的原理設計思考, 創意解決問題怎麼在⼤學實現你的 AI 夢想
⼤綱

1 AI 不過就是問個好問題 !3

!4 2017 年台灣⼈⼯智慧年慧  AlphaGo 創始⼈之⼀⿈⼠傑博⼠演講 AlphaGo 的故事

!5 AlphaGo  Lee AlphaGo  Master AlphaGo  Zero 中國烏鎮圍棋會 4:1
擊敗世界棋王李世乭神秘⾼⼿網路 60 連勝與柯潔對奕, ⼈⼯智慧與⼈的合作完全⾃學的⼈⼯智慧, 擊敗之前版本 2016.3 2016.12.29  —2017.1.4 2017.5 2017.10

!6 AI 事實上也沒那麼可怕⾃動駕駛近 100% 機會會實現

!7 哆啦a夢近期內不可能不過我們還有 95 年的時間 2112 年 9 ⽉
3 ⽇

!8 問題化為函數 f 然後⽤深度學習找到這個函數

!9 函數其實是⼀個解答本所有的問題, 都有⼀個答案

!10 在野外看到⼀隻動物, 我想知道是什麼?

!11 問題答案台灣⿊熊蟒蛇我們有部份解答

!12 問題答案台灣⿊熊蟒蛇但我們還沒碰過的情況可能有無限多題 ?

!13 深度學習找出完整的函數!

!14 深度學習 (神經網路)   三⼤天王標準 NN CNN RNN

!15 我們先問⼀個問題在野外看到⼀隻動物, 我想知道是什麼? 1

!16 化成函數的形式 f 台灣⿊熊 2

準備訓練資料 ( , "台灣⿊熊") ( , "蠎蛇") , , ...
x k+1 , y k+1 x k , y k x1 , y1 x n , y n 訓練資料測試資料 3

!18 強化學習⽣成對抗模式 (GAN) VAE 膠囊標準 NN CNN RNN
架構我們的神經網路 4

!19 我們架好了神經網路, 就剩⼀些參數要調。 θ = {wi , bj } 決定好這些參數的值,
就會出現⼀個函數。

!20 學習 5 學習都是⽤我們訓練資料送進我們的神經網路，調整我們的參數, 然後⽤個 loss function 看我們和觀察值差多少。

!21 基本上就是⽤ gradient descent 因神經網路的特性, 叫 backpropagation

!22 我想知道某⽀股票明天的收盤價。

!23 f ⽇期 x 某股票 x 當天的收盤價

!24 f ⽤前 1 週的情況預測下⼀期。 NN, CNN, RNN

!25 我想知道某位 MLB 選⼿ 2018 球季可以打幾隻全壘打?

!26 第 t-1 年資料    [Age, G, PA, AB, R,
H, 2B, 3B, HR, RBI, SB, BB, SO, OPS+, TB] 15 個 features! f 第 t 年全壘打數 RNN

!27 不要猜精確數⽬, 猜區間即可! 分五段: 0-9, 10-19, 20-29, 30-39, 40+

!28 Mike Trout (LAA) 預測 30-39 實際 33 Mookie Betts
(BOS) 預測 20-29 實際 24 Jose Altuve (HOU) 預測 20-29 實際 24 Kris Bryant (CHC) 預測 30-39 (第⼆⾼ 20-29) 實際 29 Daniel Murphy (WSH) 預測 20-29 實際 23 Corey Seager (LAD) 預測 20-29 實際 22 2017 預測結果 (2016 年 6 ⽉預測)

!29 對話機器⼈

!30 f ⽬前的字下⼀個字

!31 字1 字2 回1 EOS 回1 回2 回k EOS 注意這樣的模式,
每次輸⼊和輸出都不是固定的⻑度!

!32 我想讓 AI ⾃⼰玩遊戲 (開⾞, 泡咖啡...)

!33 π 最好的動作 CNN + NN

!34 Q 評分 Reinforcement Learning + 往左

!35 我喜歡的字型有缺字, 我想要這個字!

!36 f 字型A 字型B CNN, VAE, GAN

2 AI 核⼼技術— 神經網路的原理 !37

記得我們就是要學個函數 !38 f x1 x2 xn y1 y2 ym

!39 函數學習三部曲真實世界我們要問的問題化做函數。收集我們知道「正確答案」的訓練資料。找出這個函數!

暗⿊學習法真的有學任意函數的技法 !40

就是「神經網路」! !41

在 1980-1990 左右是很潮的東⻄ !42

!43 Hidden Layer Output Layer Input Layer 暗⿊魔法

厲害的是神經網路什麼都學得會! ⽽且你完全不⽤告訴它函數應該⻑什麼樣⼦: 線性啦、⼆次多項式啦等等。 !44

打開暗⿊世界 !45

!46 Fully Connected Neural Networks 1980 年代就⽕紅的 model 標準 NN

每個神經元動作基本上是⼀樣的! !48

!49 每個神經元就是接受若⼲個輸⼊, 然後送出⼀個輸出。

!50 輸⼊做加權和。

!51 加上偏值 (bias)。

!52 再⽤激活函數作⽤上去, 即為輸出。

!53 幾個 activation functions ReLU Sigmoid Gaussian

!54 變數就是 weights, biases

!55 「學成的」神經網路 1 2 1 2 1 1

!56 假設輸⼊ 2 1 1 (x1 ,x2 ) = (1,3)
1 3 1 3 8 1 2 1

!57 假設⽤ ReLU 1 3 1 2 1

!58 神經網路需要經過訓練把我們的「考古題」⼀次次拿給神經網路學。學習法叫 backpropagation。神經網路訓練法

當⼀個神經網路結構決定、activation functions 也決定, 那可以調的就是 weights, biases。我們把這些參數的集合叫 , 每⼀個就定義⼀個函數,
我們把它看成⼀個集合。固定結構神經網路的函數空間 !59

我們就是要找使得和⽬標函數最接近 !60

「最近」是什麼意思就是 “loss function” 的值最⼩ !61

假設我們有訓練資料 !62

!63 我們希望它越⼩越好最常⽤ loss function 這什麼啊?

!64 x 網路路輸出真正的誤差 1 2 3 1 2
5 2 -3 3 6 8 2 4 7 2 -5 5 6 6 0 6 4 8 4 7 8 9 1 總誤差怎麼算?

5 2 -3 3 6 8 2 4 7 2 -5 5 6 6 0 6 4 8 4 7 8 9 1 加總 = 0!! 加總可以嗎?

5 2 -3 3 6 8 2 4 7 2 -5 5 6 6 0 6 4 8 4 7 8 9 1 平⽅和 1 9 4 25 0 16 1 加總是 56

!67 基本上這樣調 learning rate

這可怕的東⻄是什麼意思 ? !68

記得 L 是 w1 , w2 , b1 , …
的函數 !69 希望越⼩越好

為了簡化, 我們先把 L 想成只有⼀個變數 w !70

!71 w ⽬前的值如何⾛到最⼩值?

!72 w ⽬前的值我知道, a 點要向右移動!

!73 電腦怎麼「看」出來?

!74 切線是關鍵!

!75 切線斜率 < 0

!76 切線斜率 > 0

切線斜率指向 (局部) 最⼤值的⽅向!! !77

!78 符號切線斜率切線斜率

!79 切線斜率是變化率切線斜率切線斜率

!80 切線斜率合理的符號符號因為是變化率, 合理的符號可以是: ⼜醜⼜不潮!

!81 切線斜率合理的符號符號萊布尼茲說我們要潮就這樣寫: y 對 w 在 a 點的變化率

!82 對任意的 w, 我們會寫成: 簡潔就是潮! 切線斜率函數切線斜率合理的符號符號

!83 正負指向 (局部) 極⼤切線斜率切線斜率

!84 往 (局部) 極⼩值移動重點我們想調整 w 的值, 往極⼩值移動, 應該讓新的
w 變成:

!85 往 (局部) 極⼩值移動重點⽐如現在在 w=a, 要調整為

!86 調整⽰意圖切線斜率

!87 有時會跑過頭! 切線斜率

!88 往 (局部) 極⼩值移動重點為了不要⼀次調太⼤, 我們會乘上⼀個⼩⼩的數, 叫 Leraning Rate:

!89 求切線斜率的動作, 就是微分

!90 可是, 變數不只⼀個...

!91 例⼦假設這時我們在: ⼀樣準備往 (局部) 極⼩值移動。

!92 假裝只有⼀個變數! ⽐如說 w1

!93 如果除了 w1, 其他變數不動... ⼀個變數的函數! 例⼦

!94 同理, 例⼦

!95 於是我們⼜會調整 w1, w2, b1, 讓 L 慢慢⾛向 (局部)
極⼩。 w1 w2 b1 例⼦

!96 寫在⼀起看來更有學問! 新的這叫 L 的 gradient 例⼦

!97 但這符號有點麻煩還要新創函數

!98 偏微分定義我們有 L(w1, w2, b1) 這三個變數的函數, 當我們只把
w1 當變數, 其他 w2, b1 當常數的微分。

!99 同理, 偏微分定義

!100 梯度 (gradient) 符號函數 L 的 gradient 就變成:

!101 Gradient 當然要有很酷的符號: 梯度 (gradient) 符號

!102 我們調整 w1, w2, b1 的⽅法就變成: 梯度 (gradient) 符號

這「學習法」有個很潮的名字 (SBEJFOU%FTDFOU !103 梯度下降

!104 Deep Learning   三⼤天王標準 NN CNN RNN

!105 真⼼不騙

!106 Convolutional Neural Network 圖形辨識的超級天王 CNN

!107 台灣⿊熊圖形辨識 f ( ) =

!108 電腦打電動⽬前狀態「最佳」動作 π ( ) = 搭配 reinforcement
learning

!109 filter 1 filter 2 input 每個 ﬁlter 看⼀一個特徵, 掃過每
⼀一個點, 紀錄該點附近的「特徵強度」。 Convolutional Neural Network (CNN)

!110 Convolutional Layer 1

!111 例例如 3x3 的⼤大⼩小我們要做 filters

!112 2 5 5 2 5 2 0 1 2
3 4 0 4 2 1 5 4 3 1 3 5 5 4 3 5 3 4 5 0 2 1 5 2 3 1 1 1 0 1 3 4 4 1 1 5 1 1 4 2 3 2 2 0 4 2 4 0 5 4 5 3 4 1 4 35 想成這是⼀張圖所成的矩陣 ﬁlter 內積這學來的Ｗ＝

!113 2 5 5 2 5 2 0 1 2
3 4 0 4 2 1 5 4 3 1 3 5 5 4 3 5 3 4 5 0 2 1 5 2 3 1 1 1 0 1 3 4 4 1 1 5 1 1 4 2 3 2 2 0 4 2 4 0 5 4 5 3 4 1 4 35 27 ﬁlter 右移⼀一格還是⼀樣的矩陣Ｗ＝

!114 2 5 5 2 5 2 0 1 2
3 4 0 4 2 1 5 4 3 1 3 5 5 4 3 5 3 4 5 0 2 1 5 2 3 1 1 1 0 1 3 4 4 1 1 5 1 1 4 2 3 2 2 0 4 2 4 0 5 4 5 3 4 1 4 35 27 44 32 36 38 36 36 37 36 36 43 37 37 23 26 17 35 29 25 22 18 14 27 27 25 24 21 24 32 31 38 27 34 25 40 ﬁlter ⼀一路路到最後Ｗ＝

!115 35 27 44 32 36 38 36 36 37
36 36 43 37 37 23 26 17 35 29 25 22 18 14 27 27 25 24 21 24 32 31 38 27 34 25 40 最後就是⼀個 6x6 的矩陣有時我們會把它弄成還是 8x8 基本上和原矩陣⼀樣⼤⽽且我們通常 ﬁlter 會很多!

!116 神經元是這樣看的

!117 2 5 5 2 5 2 0 1 2
3 4 0 4 2 1 5 4 3 1 3 5 5 4 3 5 3 4 5 0 2 1 5 2 3 1 1 1 0 1 3 4 4 1 1 5 1 1 4 2 3 2 2 0 4 2 4 0 5 4 5 3 4 1 4 35 27 44 32 36 38 36 36 37 36 36 43 37 37 23 26 17 35 29 25 22 18 14 27 27 25 24 21 24 32 31 38 27 34 25 40 ﬁlter 圖⽚上的點是⼀個個輸⼊層神經元

!118 2 5 5 2 5 2 0 1 2
3 4 0 4 2 1 5 4 3 1 3 5 5 4 3 5 3 4 5 0 2 1 5 2 3 1 1 1 0 1 3 4 4 1 1 5 1 1 4 2 3 2 2 0 4 2 4 0 5 4 5 3 4 1 4 35 27 44 32 36 38 36 36 37 36 36 43 37 37 23 26 17 35 29 25 22 18 14 27 27 25 24 21 24 32 31 38 27 34 25 40 ﬁlter Conv 層也是⼀個個神經元

!119 2 5 5 2 5 2 0 1 2
3 4 0 4 2 1 5 4 3 1 3 5 5 4 3 5 3 4 5 0 2 1 5 2 3 1 1 1 0 1 3 4 4 1 1 5 1 1 4 2 3 2 2 0 4 2 4 0 5 4 5 3 4 1 4 35 27 44 32 36 38 36 36 37 36 36 43 37 37 23 26 17 35 29 25 22 18 14 27 27 25 24 21 24 32 31 38 27 34 25 40 ﬁlter 兩層中沒有完全相連Ｗ＝

!120 2 5 5 2 5 2 0 1 2
3 4 0 4 2 1 5 4 3 1 3 5 5 4 3 5 3 4 5 0 2 1 5 2 3 1 1 1 0 1 3 4 4 1 1 5 1 1 4 2 3 2 2 0 4 2 4 0 5 4 5 3 4 1 4 35 27 44 32 36 38 36 36 37 36 36 43 37 37 23 26 17 35 29 25 22 18 14 27 27 25 24 21 24 32 31 38 27 34 25 40 ﬁlter 再來 share 同樣的 weights Ｗ＝

!121 35 27 44 32 36 38 36 36 37
36 36 43 37 37 23 26 17 35 29 25 22 18 14 27 27 25 24 21 24 32 31 38 27 34 25 40 最後就是⼀個 6x6 的矩陣有時我們會把它弄成還是 8x8 基本上和原矩陣⼀樣⼤⽽且我們通常 ﬁlter 會很多!

!122 Max-Pooling Layer 2

!123 看我們要多⼤大區選⼀一個代表, 例例如 2x2 基本上就是「投票」

!124 35 27 44 32 36 38 36 36 37
36 36 43 37 37 23 26 17 35 29 25 22 18 14 27 27 25 24 21 24 32 31 38 27 34 25 40 36 44 43 37 26 35 38 34 40 每區投出最⼤的!!

!125 convolution, max-pooling, convolution,   max-pooling… 可以不斷重覆

!126 做完再送到「正常的」神經網路

!127 Recurrent Neural Network 「有記憶」的神經網路 RNN

!128 ሣ࿩ػثਓ ⽬前的字下⼀個字 f ( ) =

!129 f ⽬前的字下⼀個字

!130 其實輸⼊不⼀定要⽂字, 是影⽚ (⼀張⼀張的圖) 也是可以的! 輸出還是可以為⽂字, 最常⾒的⼤概是讓電腦說影⽚中發
⽣什麼事。

!131 翻譯。 Video Captioning ⽣成影⽚敘述。⽣成⼀段⽂字。畫⼀半的圖完成它。同樣型式的應⽤

!132 Andrej Karpathy ⽣出代數幾何介紹 "Stacks" 的⽂字 http://karpathy.github.io/2015/05/21/rnn- effectiveness/

!133 潘達洛斯：唉，我想他應該過來接近⼀天當⼩的⼩⿆變成從不吃的時候，誰是他的死亡鏈條和⾂⺠，我不應該睡覺。第⼆位參議員：他們遠離了我⼼中產⽣的這些苦難，當我滅亡的時候，我應該埋葬和堅強許多國家的地球和思想。
電腦仿的莎⼠⽐亞作品。

!134 字1 字2 回1 EOS 回1 回2 回k EOS 對話機器⼈
應⽤

!135 ⼀般的神經網路⼀筆輸⼊和下⼀筆是沒有關係的...

!136 RNN 會偷偷把上⼀次的輸出也當這⼀次的輸⼊。

!137 很多⼈畫成這樣。

!138 Recurrent Neural Network (RNN) ht 1 = σ (w1
xt 1 + w2 xt 2 + w3 h3 t−1 + w4 h4 t−1 + b1 ) 會加入上⼀一次的 outputs 當這次的 inputs。

!139 注意為了讓⼤家更容易瞭解, 我們會⽤較簡單的圖⽰。請注意輸⼊都是個向量、會有權重; 輸出都是純量。 xt = ⎡
⎢ ⎢ ⎢ ⎣ xt,1 xt,2 . . . xt,n ⎤ ⎥ ⎥ ⎥ ⎦ 可能⻑這樣

!140 注意為了讓⼤家更容易瞭解, 我們會⽤較簡單的圖⽰。請注意輸⼊都是個向量、會有權重; 輸出都是純量。實際輸⼊⻑這樣

!141 注意為了讓⼤家更容易瞭解, 我們會⽤較簡單的圖⽰。請注意輸⼊都是個向量、會有權重; 輸出都是純量。同理 h 也是這樣

!142 對同⼀層第 k 個 cell, 就⼀個輸出。輸⼊可能是向量。第 k
號 RNN Cell

!143 真正連結的樣⼦, 注意 RNN Cell 會把記憶傳給同⼀層其他 RNN Cells。

!144 標準 RNN ⼀個 Cell 的輸出

!145 LSTM GRU Long Short Term Memory Gated Recurrent Unit
事實上現在⼤家說到 RNN 是想到...

!146 LSTM Long Short Term Memory RNN 系的王牌救援

!147 編號 k 的  LSTM 多⼀個「cell 狀態」

!148 Gate 控制閥重要概念

!149 輸出 0 到 1 間的⼀個數 sigmoid 只是決定「閥」要開多⼤

!150 LSTM 有三個 Gates

!151 忘記⾨輸⼊⾨輸出⾨

!152 插播 tanh sigmoid

!153 -1 1

!154 0 1 σ(x) = 1 1 + e−x

!155 編號 k 的  LSTM LSTM 再⼀次多出來的 cell state
是屬於這個 cell 的⼀個 cell 的 output 還是會和同⼀層分享

!156 「新的」狀態資訊

!158 真要弄得那麼複雜? 要忘多少和要記多少難道不能⼀一起...

!159 GRU Gated Recurrent Unit LSTM 的簡化版

!160 雖然名稱有 gated 只留兩個 Gates

!161 記憶⾨重設⾨

!162 input 可不考慮從前

!164 重點 RNN 的名字現在說到 RNN, 其實包括原始 RNN, LSTM, GRU
等各種變形。特別要叫原始的 RNN, 我們習慣叫它 Vanilla RNN, 在 Keras 中是 SimpleRNN。

3 設計思考,   創意解決問題 !165

!166 同理定義發想原型測試 Standford d.school ⾵的設計思考步驟 Empathize
Deﬁne Ideate Prototype Test

!167 我們的 model 很少第⼀次就成功。 —清華⼤學陳宜欣⽼師 “ ”

!168 孫瑄正、邢恒毅、劉亮緯、曾煜祐、李錦藤 MLB 球員全壘打數預測

!169 第 t-1 年   [Age, G, PA, AB, R, H,
2B, 3B, HR, RBI, SB, BB, SO, OPS+, TB] 15 個 features 第 t 年全壘打數    f

!170 運⽤ LSTM, 輸⼊ 10 年的資料猜下⼀年只有⼀層 LSTM 層!

!171 不要猜精確數⽬, 猜區間即可! 分五段: 0-9, 10-19, 20-29, 30-39, 40+

!172 10-19 One-Hot encoding 0
1 0 0 0 ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ 0-9 10-19 20-29 30-39 40+

!173 Mike Trout (LAA) 預測 30-39 實際 33 Mookie Betts
(BOS) 預測 20-29 實際 24 Jose Altuve (HOU) 預測 20-29 實際 24 Kris Bryant (CHC) 預測 30-39 (第⼆⾼ 20-29) 實際 29 Daniel Murphy (WSH) 預測 20-29 實際 23 Corey Seager (LAD) 預測 20-29 實際 22 2017 預測結果 (今年 6 ⽉預測)

!174 超展開的問問題⽅式

!175 強化學習⽣成對抗模式 (GAN) VAE 膠囊標準 NN CNN RNN

!176 ⽣成對抗網路 (Generative Adversarial Network) Yann LeCun 稱為最有潛⼒的 model GAN

!177 There are many interesting recent development in deep learning…
The most important one, in my opinion, is adversarial training (also called GAN for Generative Adversarial Networks). ” “ —Yan LeCun (楊⽴昆), 2016

!178 The GAN Zoo https://github.com/hindupuravinash/ the-gan-zoo

!179 ⽣成器 generator Noise 鑑別器 discriminator 真的 or 假的 GAN是兩個神經網路,⼀個⽣成、
⼀個判斷, 相互對抗! z x G D G(z)

!180 希望接近 1 希望接近 0 接近 1 ⽣成器
G 判斷器 D D, G ⼤對抗!

!181 朱俊彦等⼈ (ECCV 2016) “Generative Visual Manipulation on the Natural
Image Manifold” iGAN https://arxiv.org/abs/1609.03552

!182 ⼈⼈都是⼤畫家! https://youtu.be/9c4z6YsBGQ0

!183 Karras 等 NVIDIA 團隊 (ICLR 2018) “Progressive Growing of
GANs for Improved Quality, Stability, and Variation” Progressive GAN https://arxiv.org/abs/1710.10196

!184 Karras-Aila-Laine-Lehtinen NVIDIA 團隊最近很有名的⽂章⽤ Theano (不是快退出了), Python 2, 單
GPU Progressive Growing of GANs for Improved Quality, Stability, and Variation

!185 這攏係假ㄟ啦 (1024x1024 明星照)

!186 Isola, 朱俊彦等⼈ (CVPR 2017) “Image-to-Image Translation with Conditional Adversarial
Networks” Pix2Pix https://arxiv.org/abs/1611.07004

!187 * 來⾃ Isola, 朱俊彦等⼈的原始論⽂ (2017) Pix2pix 把衛星圖變地圖。

!188 * 來⾃ Isola, 朱俊彦等⼈的原始論⽂ (2017) Pix2pix 隨⼿畫畫變街景。

!189 * Christopher Hesse 依原論⽂做出 Pix2pix 線上版。 https://affinelayer.com/pixsrv/

!190 朱俊彦等⼈ (ICCV 2017) “Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial
Networks” CycleGAN https://arxiv.org/abs/1703.10593

!191 G  ⽣成器 F  ⽣成器 Domain A Domain B 鑑別器
B 鑑別器 A CycleGAN

!192 資料「不需要」配對! 於是有無限可能...

!193 全世界的⼈都驚呆了的⾺變斑⾺。 https://youtu.be/9reHvktowLY

!194 CycleGAN 作者⾃⼰提到的失敗例⼦。

!195 Goodfellow 也關注的變臉 (魏澤⼈⽼師)。 https://youtu.be/Fea4kZq0oFQ

!196 Reinforcement Learning AlphaGo 核⼼技術強化學習

!197 Agent  (電腦) 環境動作 action 獎勵 reward r t

!198 我們以玩打磚塊為例

!199 π 左 1 Policy Based 右 or 狀態動作
policy function

!200 通常直接學不容易...

!201 Q 評分 + 動作 2 Value Based (通常估計 reward)
Value function

!202 Netﬂix AlphaGo 紀錄⽚ (⼤推) 故事感⼈不輸電影, ⽽且都是真⼈。

!203 還有⼈⼈都在做的⾃動駕駛

!204 陳⾮霆卷積深度 Q-學習之 ETF ⾃動交易系統

!205 選定⼀⽀ ETF 開始 20,000 美⾦經過⼀年 (最後⼿上還有 ETF 就全賣)
使⽤ reinforcement learning * ETF 資料由全球智能提供

!206 過去 20 天的資料  (20x6 的矩陣) f 1 2 3
4 5 買 20 單位買 10 單位不做交易賣 10 單位賣 20 單位五種 actions

!207 CDQN 無腦法 CDQN 無腦法 ETF1 17.71% 10.89% ETF11 10.76%
5.26% ETF2 16.53% 12.6% ETF12 10.19% 13.17% ETF3 16.3% 0.35% ETF13 7.8% 1.42% ETF4 14.4% 13.25% ETF14 6.23% 3.56% ETF5 14.3% 12.7% ETF15 5.73% 4.61% ETF6 13.91% 13.37% ETF16 3.78% -12.76% ETF7 13.17% 10.52% ETF17 2.85% 5.83% ETF8 12.35% 17.07% ETF18 1.59% -4.45% ETF9 11.68% 10.81% ETF19 1.07% -18.09% ETF10 11.09% 8.14% ETF20 -0.59% -0.75% 交易結果 * 「無腦法」正確的名稱是「買⼊持有策略」

4 怎麼在⼤學  實現你的 AI 夢想 !208

!209 fb.me/nccumit 政⼤數理資訊學程魔法程式家 FB 社團

!210 2018 年 4 ⽉

!211 政⼤學⻑姐的成果政⼤數理資訊學程

!212 Deep Learning 讀書會獲教發中⼼「⾃主學習讀書⾏動⼩組」第⼀名

!213 政⼤專屬的⾵格轉移陳先灝，吳柏寬，⿈梓育，林奕勳, 廖原豪，邢恆毅

!214 很少的訓練資料達成任務! 我們想⽤神經網路, ⽣出⼀個字型中⽋缺的字。舊字型新字型創造新字型應⽤ f
( ) = * 莊喻能、⿈梓育 (政⼤應數) * 論⽂發表於國際研討會

!215 π GAN * ⽅宜晟、陳先灝、⻩平、林澤佑 (政⼤應數) * 科技部 AI 推動中⼼「GAN」⼤賽佳作

!216 科技部科技部AI 推動中⼼「GAN ⼤賽」

!217 GAN ⽣成器 Noise 判斷器真的 or 假的應⽤

!218 中⽂基本字的 encoding 中⽂約有 300 個基本字型 (感謝 justfont 專業指導) 我們想做這
300 字「適合的」標碼之後⽤這 300 字可⽣所有字

!219 ⽤ VAE 做出 300 個字編碼

!220 ⿂⽷⽺⻘

!221 股價的預測判斷有沒有感染某種病毒⽂⻘機器⼈智慧出貨控管進⾏中⽅案

人人都可參一咖的人工智慧

人人都可參一咖的人工智慧

More Decks by [email protected]

Other Decks in Technology

Featured

Transcript