機器學習 ML
機器學習是人工智慧的分支，
是一種透過資料及經驗學習、
並摸索出運作模式的演算法。
大致可分為監督和非監督式學習，
主要差異為監督式學習訓練集有
正確答案、而非監督式學習沒有。
深度學習 DL
深度學習是機器學習的分支，
是一種以人工神經網路為架構、
對資料表徵進行學習的演算法。
著名的神經網路如卷積神經網路、
遞迴神經網路已分別被成功應用在
電腦視覺、自然語言處理領域中。
資料科學 DS
資料科學是一種跨學科研究方法，
運用與結合多領域理論和技術，
例如數學、統計、程式設計，
如今和機器、深度學習已密不可分。
目標是從大量的結構或非結構性資料
中萃取出對人類有價值的資訊與洞見。
Artificial Intelligence Pro
網站使命
1.運用人工智慧結合其他領域解決現實世界的問題
2.提供想從零開始自學人工智慧、資料科學的人協助與建議
3.分享與記錄自學的心路歷程與自我成長
深度學習研究領域
NLP | CV | MIR | GAN
自然語言處理 NLP
自然語言處理主要在研究如何使電腦「理解人類
語言」，其用途有問答互動、文字生成等。
由於近年電腦效能大幅提升以及Transformer的橫空出世，
使自然語言處理這個領域有了重大突破。
電腦能與人類無障礙溝通、互動的時代已經來臨。
電腦視覺 CV
電腦視覺主要在研究如何使電腦「看懂世界」，
其用途包括圖片分類、圖片辨識等。
由於近年電腦效能大幅提升以及卷積神經網路的突飛猛進，
使電腦視覺這個領域有了重大突破。
電腦的辨識精確度超越人類的時代已經來臨。
音樂資訊檢索 MIR
音樂資訊檢索是人工智慧與音樂學結合的領域，
主要在研究如何從歌曲中「提取音樂資訊」，
其用途包括音樂推薦、曲風辨識、音樂生成。
由於音樂資料型式跨足圖片(頻譜)與文字(歌詞)，
所以可以借助NLP和CV的技術驅動數位音樂的下一波革命。
生成對抗網路 GAN
生成對抗網路是深度學習中的一種非監督式學習方法，
由一組生成網路和一組鑑別網路所組成。
生成網路的目標是要盡可能地模仿真實樣本以騙過鑑別網路，
而鑑別網路的目標則是盡可能地辨別出生成網路的輸出為假。
而GAN就是在生成網路和鑑別網路彼此相互對抗之下進行學習。
本站緣起
想了解本站是怎麼誕生的嗎?
旁邊的文章將告訴你我是如何做到的。
我將與你分享我人生的一個重大轉捩點 : 聯盟行銷大師班。
看完後你就能知道聯盟行銷是什麼，
以及大師班對我造成了什麼影響。
Join DataCamp!
Learn Data Science Online!
最新文章
