講了一堆屁話我來幫您翻譯翻譯
: 首先聊聊AI好了
: 人工智能
: AI可以幹嘛 可以幫你算任何東西
這話題很火紅,問題是在紅什麼我來幫您翻譯翻譯
人臉辨識的技術核心是使用
Convolution Neural Network(CNN)
完成的
這項技術在影像辨識上有重大突破
因為傳統需要先做影像處理以 提取人工特徵 需要很多複雜的演算法去找到物件的輪廓 銳化 等等
比如說 Sobel 是蠻常聽見的演算法
(註：類神經技術不是演算法)
而Cnn取代的就是這一塊,它會自動去學習更新Mask的權重,而且現有的技術表現可以比人類好
Alphgo的團隊現在就在搞這項技術,只是他們是用在醫療上
然而CNN的技術主要可以處理兩種Case
1.影像辨識
2.信號辨識
至於進階的技術物件檢測 Objective detection
不在此討論
信號辨識其實大同小異 為什麼?
因為實際上最後在處理的時候
影像是矩陣, 信號最後也會弄成矩陣處理
兩者只是前處理的方法不同而已
: 什麼是大數據？
:
程式沒辦法算 一定要用人工智能 因為數據量
: 太龐大 讓電腦自己學習自己運算
恭喜您,講對了...... 一半
首先先來談談數據存放的問題
google的數據庫那麼大.....廢話
人家可是收集了所有國家users Data
的國際公司,而且服務還不只有資料收集好嗎
還有file的雲端服務
請搞清楚 file 和 data 的差別
所以您攻擊存放地的點....呵呵.
第二來談談數據容量的問題
比起文字資料,我們就來談談影像儲存的問題吧
一個RGB圖像了不起就是二維矩陣 深度3的儲存格式
換句話說,你一片A片所需的容量
已經可以讓你訓練出堪用的Model了
至於實際Data的來源與質量不在此討論範圍
甚至有些學術網站還公開Data給妳玩勒
從入門的Mnist, CIFAR
到醫療領域的OAI , MOST
更何況早就自己有建資料庫的公zzz
至於文本問題勒?
影像都玩的動了誰還跟你文本
儲存上完全沒問題好嗎
至於文本的數據分析方法很多
例如 Data mining
: 1.傳統作法 把所有數據拿出來
: 各年齡層喜好的議題是什麼？
: 競選該放什麼歌？在什麼時候放影片上去？
: 統獨議題該什麼時候提出？人民喜好？
: 等等...數據全部拿出來 開會討論看趨勢
: 這還是比較新型態的選舉方式了
: 2.智能作法 所有數據輸入電腦
:上述的東西真的很棒 而且真的是未來的趨勢
恩 幫你篩選好這段的重點了
: 但是很抱歉
: 這是芭樂票！
: 為什麼？首先你要知道目前所謂的AI 大數據 工業4.0 是落後多少嗎？
: 美國中國他們砸了多少錢在上面嗎？
: 你怎麼追上落後的這幾年
: 科技不是你喊一喊就會趕上了
: 要燒錢 要有技術
: 你台灣怎麼做到？喊喊口號嗎？
: 陳提出來的開發金額是零頭
: 而且研發你知道要什麼嗎？要燒錢
: 台灣有多少公司願意燒錢進去研發的
: 哪一家不是抄抄抄 costdown
: 光現在工研院的機台怎麼跟國外一流單位比
: 台灣有蓋數據中心？
: 我再說一次 這個是中央政策 工業4.0絕對沒有這麼簡單 要燒很多很多很多錢
: 花媽花的3000億是零頭
: 我可以很肯定的跟你說 台灣要達成工業4.0
: 絕對超過3000億 還有可能做不出來
: 最好笑的是你還得看是哪家公司做的
: 因為你永遠不知道他做這個
: 到底是研發還是炒股票
廢話
你要看最終結果的話當然是所有的資金投入結果
問題是
「要架設起來的是環境」
沒有環境要玩三小AI
沒有概念要玩三小類神經
沒有環境哪有AI讓你玩
媽的 , 一直在靠腰技術不創新
成天靠北環境多遭 替代性高
現在才剛喊出要假設環境就有人在靠腰
幹
換個例子來說
沒PSO演算法沒有誕生,哪來的改良型PSO(MPSO)
???????????????????
加上環境架設技術的成熟度也有很多文獻可以參考
重點是怎麼參考過去的經驗規劃現在
請把吵這些的精神轉移到這上面
去花時間監督 評估
老實說我不是針對哪個口號比較真比較假
我是針對您的思維