非監督式學習

吳恩達 Andrew Ng（1976-）

2021 年 08 月 27 日2021 年 10 月 04 日 CTKao Coursera, 中國百度, 線上學習, 非監督式學習

除了是知名線上教育平台Coursera的共同創辦人，吳恩達更曾先後任職於中美兩國最大的科技公司──Google與百度。在Google時期，吳恩達團隊最著名的研究之一，莫過於以非監督式學習方法，訓練出對人臉、人體以及貓臉特別敏銳的深度學習模型。之後為中國百度延攬，擔任研發部門主管，帶動了人才與資金的流入，為中國的AI研究注入一股活水。2017年離開百度後，吳恩達致力於打破AI專屬於高科技公司的既定印象，創立自己的顧問公司與創投基金輔導企業轉型。

人工智慧&電腦、資料科學

真偽莫辨的人像產生器

2019 年 01 月 23 日2022 年 01 月 04 日 intern Progressive GAN, Style-based GAN, 偏誤, 特徵糾纏, 非監督式學習, 風格

編譯／葛竑志你相信上圖中所有人物都是假

人工智慧&電腦、資料科學

不用看字典，機器也能學語言

2018 年 09 月 26 日2018 年 09 月 20 日 CASE PRESS RNN, Sequence-to-Sequence, 人工智慧, 非監督式學習

■由於神經網路的出現，自動翻譯技術已變得越來越準確，這都是建立在大量平行文本的基礎上，讓機器可以模擬出人類的語言模式。也就是說，一個好的翻譯模型往往歸功於人們整理出的翻譯資料。這是不是代表兩個語言之間若沒有大量的雙語文本，機器就沒辦法學好翻譯呢？
「想像今天給你一大堆中文和阿拉伯文的書，其中沒有任何內容是重複的，你能知道如何去翻譯這兩種語言嗎？」巴斯克大學(UPV)的Mikel Artetxe接著說：「這聽起來是不太可能的，但我們的模型就是做到了。」

人工智慧&電腦、資料科學

脫離雲端「中央集權」─人工智慧「地方自治」時代來臨

2018 年 07 月 25 日2018 年 07 月 20 日 CASE PRESS 人工智慧, 深度學習, 物聯網, 遷移學習, 非監督式學習

■「In-Situ AI」這套運算架構，因應物聯網資料的特性與使用情境，在資料收集處就地進行大部分的運算工作。不同於以往將資料全部傳到「中央」的雲端，再接收「中央」決策完回傳的指令，In-Situ AI 發揮了「地方自治」的精神，善用地方資源、產生因地制宜的策略。其架構分為兩大部分：運算中樞（Node）與雲端。雲端有較高的運算能力，負責從大量的物聯網資料進行非監督式學習，汲取重要的特徵。接著藉由遷移學習（transfer learning），讓運算中樞的推理網路（inference network）認識這些特徵。如此在有限的標記資料下，推理網路也能對周遭世界具有一定程度的判讀能力。實驗結果顯示，遷移學習學到的特徵，讓推理網路預測的準確率提升30 %（達到近60 %），彌補標記資料不足的限制。

人工智慧&電腦、資料科學

不用看字典，機器也能學語言

2018 年 05 月 17 日2022 年 01 月 05 日 intern RNN, Sequence-to-Sequence, 人工智慧, 非監督式學習

由於神經網路的出現，自動翻譯技術已變得越來越準確，這都是建立在大量平行文本的基礎上，讓機器可以模擬出人類的語言模式。也就是說，一個好的翻譯模型往往歸功於人們整理出的翻譯資料。這是不是代表兩個語言之間若沒有大量的雙語文本，機器就沒辦法學好翻譯呢？「想像今天給你一大堆中文和阿拉伯文的書，其中沒有任何內容是重複的，你能知道如何去翻譯這兩種語言嗎？」巴斯克大學(UPV)的Mikel Artetxe接著說：「這聽起來是不太可能的，但我們的模型就是做到了。」