如前所述，蕾依奈爾為了要省錢，
決定自己找免費資源來準備iPAS AI應用管理師的考試。
除了最剛開始的五分鐘告訴你AI是什麼之類的影片以外，
我的AI老師就是yutube上面的
Artificail Intelligence [full course]
這樣的英文影片。
（🙏🙏🙏
內心除了感激之外不知道該說什麼好😆
雖然人家也是想做生意的文教機構，
但是把這麼多資源免費放上去，
還是讓人覺得很感動🥹）
所以我決定先把自己「上課」時整理的內容，重新梳理一次。
希望也能幫助到有需要的人。
什麼是圖靈測試？
在討論人工智慧時，常常會提到一個經典的判準——圖靈測試。
根據圖靈測試所提出的標準，
機器是否具備「智慧」，可以透過一個很直覺的方式來判斷：
當人類在和一個不知名的對象對話時，
如果在不知道對方是機器還是人類的情況下，
無法分辨自己是否正在與機器對話，
那麼這台機器就可以被視為具備某種程度的智慧。
換句話說，與其說判斷的是「機器是不是真的有思考的智慧」，
不如說是觀察它在表現上，能不能讓人誤以為是人類——
把這點當成「智慧」的具體體現。
為了讓機器具備智慧，人類做了什麼？
那麼問題就來了：
要怎麼讓機器達到這樣的程度？
為了達到上述目的，人們發展出了兩種不同的路線：
一種是Symbolic AI，透過人類事先設定好的規則與邏輯來進行推理；
另一種則是Data-driven AI，也就是讓機器從資料中學習規律，而Machine Learning 正是這一類方法中最主要的一種。
如果把目前提到的概念整理成架構，大致會是這樣：
什麼是機器學習（Machine Learning）？
所謂的機器學習（Machine Learning），
指的是讓機器不只是依照既定規則運作，
而是能夠從資料中找出模式，並據此做出判斷或預測。
換句話說，與其由人類一步一步寫好所有規則，
不如提供大量資料，讓機器自己從中歸納出規律，
然後再透過演算法將這些規律轉化為解決問題的能力。
Machine Learning 的學習方式
Machine Learning 並不是只有一種學法，
而是可以依照「有沒有標準答案」與「學習方式」的不同， 大致分成三種類型：
- 監督學習（Supervised Learning）
提供資料與對應的標準答案，讓機器學習輸入與輸出的關係 - 非監督學習（Unsupervised Learning）
沒有標準答案，讓機器自己從資料中找出規律或結構 - 強化學習（Reinforcement Learning）
透過獎勵與懲罰的回饋機制，讓機器在過程中學習如何做出更好的決策
這三種學習方式，如果用圖來整理，大致會呈現這樣的關係架構；
原本看起來很抽象的「機器學習」，
拆開來看，其實只是三種不同的學習方式。
差別不在於機器有沒有在學，
而是在「怎麼學」。
而在這些方法之上，
還有一個更進一步的發展——Deep Learning，
是近年 AI 能夠快速進步的關鍵。
👉 延伸閱讀：
Artificial Intelligence 自學筆記（2）——Deep Learning是什麼？從機器學習到深度學習
