申論題

一、人工智慧（Artificial Intelligence, AI）

人工智慧是最上層的概念，指的是讓機器模擬人類智慧行為的整體技術與目標，例如：

• 推理（reasoning）
• 規劃（planning）
• 學習（learning）
• 語言理解（language understanding）
• 感知（perception）

AI 不限於某一種方法，它包括傳統的符號推理、專家系統，也包括統計方法與現代數學建模。

二、機器學習（Machine Learning, ML）

機器學習是 AI 的一個子領域，核心是讓電腦透過資料自動學習規則，而非依賴硬編碼規則。

常見的 ML 方法包括：

• 監督式學習（如分類、回歸）
• 非監督式學習（如分群、降維）
• 強化學習（透過獎懲學習策略）

簡言之：

AI 是目標，ML 是達成 AI 的方法之一。

三、深度學習（Deep Learning, DL）

深度學習是機器學習中的一個分支，特別強調使用多層神經網路來學習複雜的資料特徵表示。

DL 在以下領域表現卓越：

• 語音辨識（如 Siri、Google Assistant）
• 圖像辨識（如自駕車、醫學影像）
• 自然語言處理（如 ChatGPT、翻譯系統）

它需要大量資料與計算資源，但能從原始資料中自動提取特徵，大幅減少人工特徵設計的需求。

簡言之：

DL 是 ML 的一種現代方法，尤其適合處理大數據與高維感知任務。

 一、人工智慧（Artificial Intelligence, AI）

定義：
人工智慧是模擬人類智慧的技術，使機器能夠執行如推理、學習、規劃與決策等「智能」行為。

特性：

• 是最廣義的概念

• 包括規則式系統、專家系統、機器學習等

例子：
早期的象棋程式、語音辨識系統、聊天機器人等

二、機器學習（Machine Learning, ML）

定義：
機器學習是人工智慧的一個子領域，強調「讓機器從資料中學習」，不需人為明確編寫規則。

原理：
透過提供大量資料與演算法，模型學會從經驗中找出模式並作出預測。

類型：

• 監督式學習（有標籤資料）

• 非監督式學習（無標籤資料）

• 強化學習（透過回饋調整策略）

例子：
垃圾郵件分類、推薦系統（如Netflix推薦影片）

三、深度學習（Deep Learning, DL）

定義：
深度學習是機器學習的一個子領域，模仿人腦神經網絡架構（Artificial Neural Networks）進行多層次的資料處理。

特性：

• 能自動從大量數據中提取特徵

• 適合處理影像、語音、自然語言等非結構化資料

例子：
圖像辨識（如臉部辨識）、語音助理（如Siri）、自動駕駛系統