Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

***AI*** overview

Without a doubt, AI is a hot topic in recent year. However, there are so many common misconceptions about this technological hype. I will try to share with you why I decided not to become a data scientist and how will it influence your career path.

  • Be the first to comment

  • Be the first to like this

***AI*** overview

  1. 1. AI Overview Taka Wang
  2. 2. 思辨能⼒與理性思考
  3. 3. 過度期望的 ⾼峰階段 泡沫化的 ⾕底階段 穩步爬升的 光明階段 實質⽣產的 ⾼峰階段 科技創新的 啟動階段 時間 能 ⾒ 度
  4. 4. 5~10年⼯作經驗的資料科學家
  5. 5. Source: Where do Data Science experts exists?
  6. 6. 深度學習等於⼈⼯智慧
  7. 7. TensorFlow等於深度學習
  8. 8. ⼈⼯智慧等於很多GPU
  9. 9. Credit A little learning is a dangerous thing - Alexander Pope
  10. 10. Source: Prowess
  11. 11. Credit
  12. 12. 機器學習就是⼀些類神經網路
  13. 13. Source: Neural Network Zoo
  14. 14. 不喜歡數學 所以⼈⼯智慧與我無關
  15. 15. 最佳化求解問題
  16. 16. 數學符號只是⼀種精簡⼜精確的⽅法 表達某⼈的直覺之躍 - Terence Parr
  17. 17. ⼈⼯智慧並不困難
  18. 18. 從⼩學就要學習⼈⼯智慧
  19. 19. 我也準備轉⾏當資料科學家
  20. 20. 六⾏程式寫出⼈臉辨識應⽤ Source: ageitgey / face_recognition
  21. 21. Source: Train Object Detection AI with 6 lines of code
  22. 22. Source: Eyenet
  23. 23. 別⼈的專業有這麼容易速成?
  24. 24. 你覺得統計系就是在學這些?
  25. 25. Artificial intelligence is actually statistics, but it uses a very gorgeous rhetoric, which is actually statistics Thomas J. Sargent, Nobel Prize 2011
  26. 26. 遷移式學習是萬靈丹
  27. 27. 雲端⼤廠紛紛推出AutoML⼯具 我們也應該投入NAS(類神經網路架構⾃動搜尋)
  28. 28. https://www.youtube.com/watch?v=kSa3UObNS6o&t=1674s
  29. 29. Source: statista.com
  30. 30. Source: statista.com
  31. 31. ⼈⼯智慧將會取代⼈類
  32. 32. Source: NYTimes
  33. 33. Source: keplerlounge ~1500 machine 4TPU/machine 3 days $US 2 million ~1300 machine 4TPU/machine 40 days $US 20 million
  34. 34. 無⼈駕駛還會出事故
  35. 35. Source: SAE International 純粹⼈員駕駛,無任何輔助 ⼈類為主,電腦提供輔助 電腦駕駛為主,⼈類輔助駕駛 基本⾃動駕駛,⼈類應急處理 ⾼度⾃動駕駛,⼈類仍可參與 完全⾃動駕駛,⼈類純粹乘坐
  36. 36. 為什麼⼤廠都開源他們的⼯具
  37. 37. More data beats clever algorithms but better data beats more data Peter Norvig, Director of research at Google Inc.
  38. 38. Break
  39. 39. Source: Nvidia 人工智慧歷史的演進
  40. 40. Rule-Based 寫⼀隻程式,分辨圖片內是不是貓
  41. 41. Rule-Based 寫⼀隻程式,分辨圖片內是不是貓
  42. 42. Rule-Based 寫⼀隻程式,分辨圖片內是不是貓 如果耳朵 = 2 且腳 = 4 且尾巴 = 1 且牙⿒ = 30 ….. 回傳這是貓
  43. 43. Rule-Based 寫⼀隻程式,分辨圖片內是不是貓 如果耳朵 = 2 且腳 = 4 且尾巴 = 1 且牙⿒ = 30 ….. 回傳這是貓 這是貓 ⽤窮舉法列出所有規則
  44. 44. IBM Watson • 90台 Server • 2880顆 CPU • 灌入2億⾴的內容 • 600萬條規則 • 3秒內回答問題 Source: ⼈⼯智慧新⾰命--超級電腦「華⽣」
  45. 45. Machine Learning
  46. 46. Machine Learning
  47. 47. Machine Learning 機器學習演算法
  48. 48. Machine Learning 機器學習演算法 貓的模型
  49. 49. Machine Learning 機器學習演算法 貓的模型
  50. 50. Machine Learning 機器學習演算法 貓的模型 這是貓貓的模型
  51. 51. Source: XKCD
  52. 52. What is Training/Learning Source: GIPHY
  53. 53. Source: ⼈⼯智慧⼤歷史
  54. 54. 80年代學術界的共識 多層神經網路是沒有前途的死胡同 事實
  55. 55. 多深才叫做深層網路 How Deep is Deep
  56. 56. ⼈⼯智慧的第三次復興
  57. 57. Nvidia GPU2006
  58. 58. Deep Learning on Speech Recognition 2012
  59. 59. ImageNet 1500 萬張圖片,涵蓋 22,000 種類別 2012
  60. 60. 2014
  61. 61. 2016
  62. 62. 2018
  63. 63. More Applications
  64. 64. Source: The GAN Zoo
  65. 65. CycleGAN StyleGAN 2
  66. 66. Beyond Deep Learning
  67. 67. Don't throw away the needle when you get a sword - Hindi couplet
  68. 68. Real World Problems
  69. 69. Source
  70. 70. Source
  71. 71. Source: SAS
  72. 72. Source: SAS
  73. 73. Source: ⾼⼯局網站
  74. 74. Decision Tree 決策樹
  75. 75. Decision Tree (決策樹) 天氣 溫度 濕度 有風 打球嗎 1 晴天 85 85 沒有 不打 2 晴天 80 90 有 不打 3 陰天 83 78 沒有 打 4 雨天 70 96 沒有 打 5 雨天 68 80 沒有 打 6 雨天 65 70 有 不打 7 陰天 64 65 有 打 8 晴天 72 95 沒有 不打 9 晴天 69 70 沒有 打 10 雨天 75 80 沒有 打 11 晴天 75 70 有 打 12 陰天 72 90 有 打 13 陰天 81 75 沒有 打 14 雨天 71 80 有 不打 Source: Wiki ⾼爾夫球場,⼈員管理問題
  76. 76. Decision Tree (決策樹) 天氣 溫度 濕度 有風 打球嗎 1 晴天 85 85 沒有 不打 2 晴天 80 90 有 不打 3 陰天 83 78 沒有 打 4 雨天 70 96 沒有 打 5 雨天 68 80 沒有 打 6 雨天 65 70 有 不打 7 陰天 64 65 有 打 8 晴天 72 95 沒有 不打 9 晴天 69 70 沒有 打 10 雨天 75 80 沒有 打 11 晴天 75 70 有 打 12 陰天 72 90 有 打 13 陰天 81 75 沒有 打 14 雨天 71 80 有 不打 天氣 (9/5) 濕度 (2/3) 有風 打球 (4/0) 陰天 雨天晴天 打球 (3/0) 不打 (0/2) 打球 (2/0) 不打 (0/3) <=70 >70 有 沒有 Source: Wiki ⾼爾夫球場,⼈員管理問題
  77. 77. # imports from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score from sklearn.datasets import load_iris from sklearn.tree import DecisionTreeClassifier # prepare dataset iris = load_iris() X = iris.data Y = iris.target # split seed = 7 test_size = 0.33 X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=test_size, random_state=seed) # training model = DecisionTreeClassifier(max_depth=2) model.fit(X_train, y_train) # prediction y_pred = model.predict(X_test) predictions = [round(value) for value in y_pred] # evaluation accuracy = accuracy_score(y_test, predictions) print("Accuracy: %.2f%%" % (accuracy * 100.0))
  78. 78. Ensemble Method Source: General Ensemble Method
  79. 79. Random Forest (隨機森林)
  80. 80. Random Forest (隨機森林)天氣 溫度 濕度 有風 打球嗎 1 晴天 85 85 沒有 不打 2 晴天 80 90 有 不打 3 陰天 83 78 沒有 打 4 雨天 70 96 沒有 打 5 雨天 68 80 沒有 打 6 雨天 65 70 有 不打 7 陰天 64 65 有 打 8 晴天 72 95 沒有 不打 9 晴天 69 70 沒有 打 10 雨天 75 80 沒有 打 11 晴天 75 70 有 打 12 陰天 72 90 有 打 13 陰天 81 75 沒有 打 14 雨天 71 80 有 不打
  81. 81. Random Forest (隨機森林)天氣 溫度 濕度 有風 打球嗎 1 晴天 85 85 沒有 不打 2 晴天 80 90 有 不打 3 陰天 83 78 沒有 打 4 雨天 70 96 沒有 打 5 雨天 68 80 沒有 打 6 雨天 65 70 有 不打 7 陰天 64 65 有 打 8 晴天 72 95 沒有 不打 9 晴天 69 70 沒有 打 10 雨天 75 80 沒有 打 11 晴天 75 70 有 打 12 陰天 72 90 有 打 13 陰天 81 75 沒有 打 14 雨天 71 80 有 不打 天氣 溫度 溫度 濕度 濕度 有風 溫度 有風 部分特徵
  82. 82. Random Forest (隨機森林)天氣 溫度 濕度 有風 打球嗎 1 晴天 85 85 沒有 不打 2 晴天 80 90 有 不打 3 陰天 83 78 沒有 打 4 雨天 70 96 沒有 打 5 雨天 68 80 沒有 打 6 雨天 65 70 有 不打 7 陰天 64 65 有 打 8 晴天 72 95 沒有 不打 9 晴天 69 70 沒有 打 10 雨天 75 80 沒有 打 11 晴天 75 70 有 打 12 陰天 72 90 有 打 13 陰天 81 75 沒有 打 14 雨天 71 80 有 不打 天氣 溫度 溫度 濕度 濕度 有風 溫度 有風 部分特徵 ⼀堆專家
  83. 83. Random Forest (隨機森林)天氣 溫度 濕度 有風 打球嗎 1 晴天 85 85 沒有 不打 2 晴天 80 90 有 不打 3 陰天 83 78 沒有 打 4 雨天 70 96 沒有 打 5 雨天 68 80 沒有 打 6 雨天 65 70 有 不打 7 陰天 64 65 有 打 8 晴天 72 95 沒有 不打 9 晴天 69 70 沒有 打 10 雨天 75 80 沒有 打 11 晴天 75 70 有 打 12 陰天 72 90 有 打 13 陰天 81 75 沒有 打 14 雨天 71 80 有 不打 天氣 溫度 溫度 濕度 濕度 有風 溫度 有風 部分特徵 ⼀堆專家 多數決
  84. 84. Gradient Boost 假設某⼈今年30歲,⽤GBM來猜測他的年齡
  85. 85. Gradient Boost 假設某⼈今年30歲,⽤GBM來猜測他的年齡 20
  86. 86. Gradient Boost 假設某⼈今年30歲,⽤GBM來猜測他的年齡 20 相差10
  87. 87. Gradient Boost 假設某⼈今年30歲,⽤GBM來猜測他的年齡 20 相差10 6
  88. 88. Gradient Boost 假設某⼈今年30歲,⽤GBM來猜測他的年齡 20 相差10 6 相差4
  89. 89. Gradient Boost 假設某⼈今年30歲,⽤GBM來猜測他的年齡 20 相差10 6 相差4 3
  90. 90. Gradient Boost 假設某⼈今年30歲,⽤GBM來猜測他的年齡 20 相差10 6 相差4 3 相差1
  91. 91. Gradient Boost 假設某⼈今年30歲,⽤GBM來猜測他的年齡 20 相差10 6 相差4 3 相差1 1
  92. 92. Gradient Boost 假設某⼈今年30歲,⽤GBM來猜測他的年齡 20 相差10 6 相差4 3 相差1 1 相差0
  93. 93. Gradient Boost 假設某⼈今年30歲,⽤GBM來猜測他的年齡 20 相差10 6 相差4 3 相差1 1 相差0
  94. 94. # imports from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score from sklearn.datasets import load_iris from sklearn.tree import DecisionTreeClassifier # prepare dataset iris = load_iris() X = iris.data Y = iris.target # split seed = 7 test_size = 0.33 X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=test_size, random_state=seed) # training model = DecisionTreeClassifier(max_depth=2) model.fit(X_train, y_train) # prediction y_pred = model.predict(X_test) predictions = [round(value) for value in y_pred] # evaluation accuracy = accuracy_score(y_test, predictions) print("Accuracy: %.2f%%" % (accuracy * 100.0))
  95. 95. # imports from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score from sklearn.datasets import load_iris from sklearn.tree import DecisionTreeClassifier # prepare dataset iris = load_iris() X = iris.data Y = iris.target # split seed = 7 test_size = 0.33 X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=test_size, random_state=seed) # training model = DecisionTreeClassifier(max_depth=2) model.fit(X_train, y_train) # prediction y_pred = model.predict(X_test) predictions = [round(value) for value in y_pred] # evaluation accuracy = accuracy_score(y_test, predictions) print("Accuracy: %.2f%%" % (accuracy * 100.0)) model = XGBClassifier() from xgboost import XGBClassifier

×