Applications of artificial intelligence

歡迎來到 AI 的世界！

你好！今天我們要探索計算機科學中最令人興奮的領域之一：人工智能（AI）的應用。別擔心，這聽起來可能像科幻小說，但我們會將其拆解成簡單、貼近現實的概念。讀完這些筆記後，你將了解電腦如何從大數據（Big Data）中「學習」，以及機器學習（Machine Learning）如何幫助它們像人類一樣（嗯，幾乎！）做出決定。讓我們開始吧！

1. 基礎：大數據 (Big Data)

在 AI 變得聰明之前，它需要大量資訊，我們稱之為大數據。你可以把大數據想像成一座規模龐大且擴張速度極快、人類根本讀不完的圖書館。從技術層面來說，大數據是指那些規模太大或太複雜，傳統數據處理軟件無法處理的數據集。

大數據的三個 V (The Three Vs)

要判斷某個事物是否屬於「大數據」，我們可以觀察三個 V。這裡有一個簡單的記憶方法：

1. 容量 (Volume)：指數據的總量。我們說的不是幾 GB，而是 TB 或 PB 等級的數據。
類比：如果一般數據集是一桶水，大數據的「容量」就是整片海洋。

2. 速度 (Velocity)：指數據產生和處理的速度。
例子：想想 Twitter (X)。每秒鐘都有成千上萬條推文發佈。數據正源源不絕地「串流」進來。

3. 多樣性 (Variety)：指數據呈現多種不同的格式，而不僅僅是試算表中整齊的行列。它包含影片、電郵、傳感器數據和語音記錄等。
記憶小撇步：想像一個「綜藝節目」——裡面有歌手、舞者和喜劇演員。大數據同樣包含照片、文字和聲音。

快速複習：為什麼我們要在乎？

傳統數據庫（如帶有表格和鍵值的關係型數據庫）在處理大數據時會遇到困難，因為它們並非為處理如此龐大的多樣性或速度而設計。然而，AI 系統卻能利用這些特性蓬勃發展！

重點摘要： 大數據由龐大的容量、高速的速度和廣泛的多樣性定義。它是推動 AI 的「燃料」。

2. 機器學習 (Machine Learning, ML)

機器學習是 AI 的一個子集。程序員不需要編寫成千上萬條「如果-那麼」(If-Then) 的規則，而是讓電腦利用演算法 (Algorithms) 從數據中找出規律並自行制定規則。它從經驗中「學習」。

考試中你需要知道兩種主要的機器學習方式：

A. 監督式學習 (Supervised Learning)

在監督式學習中，電腦會接收「已標記 (Labeled)」的數據。這意味著電腦同時看到了輸入資訊和正確答案。
例子：你向電腦展示 1,000 張貓的圖片和 1,000 張狗的圖片，並告訴它哪些是貓，哪些是狗。最終，當你展示一張新圖片時，它就能自行識別出貓的特徵。

類比： 這就像學生跟隨老師學習，老師會檢查作業並提供標準答案。

B. 非監督式學習 (Unsupervised Learning)

在非監督式學習中，電腦接收到的數據沒有標籤也沒有答案。它必須自行找出規律，並根據相似性將數據分組。
例子：你給電腦成千上萬名超市顧客的購物數據。它可能會注意到一組人買了很多嬰兒奶粉和尿布，而另一組人買了高級芝士和紅酒。它在沒有預設目標的情況下，自動將顧客「群聚 (Clusters)」分成不同類別。

類比： 這就像一個幼兒在玩形狀積木時，自然地將圓形的放在一堆，正方形的放在另一堆。

避免常見錯誤：

別搞混這兩者！只要記住：監督式 = 有老師/有標籤。非監督式 = 沒有老師/自行尋找隱藏規律。

重點摘要： 機器學習讓電腦透過識別規律來提升任務表現。監督式使用已標記數據，而非監督式則在未標記數據中自行建立結構。

3. 人工神經網絡 (Artificial Neural Networks, ANN)

這聽起來很複雜，但別擔心！人工神經網絡只是一種模擬人腦運作方式的軟件。它由多層「神經元」（實際上就是數學函數）組成。

神經網絡的結構

一個 ANN 通常包含三個主要部分：

1. 輸入層 (Input Layer)：原始數據進入系統的地方（例如圖片的像素）。
2. 隱藏層 (Hidden Layers)：進行「思考」的地方。可以有多個隱藏層，它們透過對數據應用權重 (Weights) 來處理資訊。
3. 輸出層 (Output Layer)：最終的結果或預測（例如「這張圖片有 98% 的機率是貓」）。

它們如何學習？（權重與閾值）

神經元之間的每個連接都有一個權重。權重就是一個數字，用來告訴網絡該特定資訊的重要性。在訓練過程中，如果網絡犯了錯，它會稍微調整這些權重，直到得出正確答案。這個過程稱為訓練 (Training)。

你知道嗎？ 這就是 Siri 或 Alexa 等語音助手理解你的方式！它們利用神經網絡將你聲音的聲波轉化為文字，然後再轉化為指令。

重點摘要： 神經網絡利用輸入層、隱藏層和輸出層來模擬大腦。它們使用權重來確定數據的重要性，並透過訓練不斷進步。

4. AI 的現實應用

了解了「原理」後，讓我們看看「應用」。在考試中，你可能會被要求討論這些應用：

1. 醫療保健：AI 分析醫學影像（如 X 光片）的速度比人類快得多，能更早發現癌症等疾病跡象。這使用了監督式學習和神經網絡。
2. 金融：銀行利用 AI 來偵測欺詐行為。如果你突然在另一個國家花費了 5,000 美元，AI 會注意到這個規律不符合你平時的消費容量或多樣性，並將其標記為異常。
3. 自動駕駛車輛：自動駕駛汽車利用來自傳感器的大數據（速度）和神經網絡，即時識別停車標誌、行人和其他車輛。

最後快速複習箱

- 大數據： 高容量、高速度、高多樣性。
- 機器學習： 監督式（有標籤）vs 非監督式（無標籤）。
- 神經網絡： 輸入層 → 隱藏層 → 輸出層；使用權重。
- AI 目標： 執行通常需要人類智慧才能完成的任務。

恭喜你讀完這一章！如果神經網絡背後的數學看起來有點神秘，別擔心——在 AS Level 階段，最重要的是理解這些概念、3 個 V 以及學習類型。你一定行的！