計概01-03資訊科技的應用

1-3.1人工智慧

1-3.1.1人工智慧(Artificial Intelligence, AI)

定義	利用電腦程式來模擬人類的思考邏輯、行為模式與決策能力，具獨立思考的特性。
發展過程	學習—感知—邏輯推理—統計分析—校正修改—行為動作
發展領域	機器人(Robot)、影像辨識(Image Recognition)、語音辨識(Speech Recognition)、電腦視覺(Computer Vision)、專家系統(Expert Systems)
範圍	人工智慧＞機器學習＞深度學習

 

1-3.1.1.1補充

影像辨識(Image Recognition)	影像比對，如：臉部辨識、指紋辨識、掌紋辨識、虹膜辨識。
專家系統(Expert Systems)	包含使用者介面、推論引擎、知識庫，如：探礦專家系統。
類神經網路(Artificial Neural Network)	模擬人類腦神經細胞網路的科學，如：語音合成與辨識、影像處理與分析。
模糊邏輯(Fuzzy Logic)	處理概念模糊不確定的事物，具容錯能力，如：Fuzzy智慧型洗衣機。

 

1-3.1.2機器學習(Machine Learning, ML)

定義	透過演算法，從大量資料中找出規律性，作為預測的依據。 機器學習的核心是演算法的集合。
分類	1.監督式學習(Supervised Learning)：使用有標記(Labeled)的資料，利用演算法找出模型，可根據模型預測結果。演算法有回歸(regression)、分類(classification)。 2.非監督式學習(Unsupervised Learning)：使用無標記的資料，利用演算法找出模型，並將這些資料做出分類。演算法有降維(dimension reduction)、聚類(Clustering)。 3.半監督式學習(Semi-supervised learning)：介於監督學習與非監督學習之間。透過少數有標記的資料找出模型，並對其它資料進行分類。 4.增強式學習(Reinforcement Learning)：隨環境變動而調整行為，以取得最大化的預期利益。演算法有Model-Based、Model-Free。

 

1-3.1.3深度學習(Deep Learning, DL)

定義	利用多層次的人工神經網路，使用原始資料找出模型，並做出正確的預測。
方法	非線性演算法(分層演算法)。

 

1-3.1.4自然語言處理(Natural Language Processing, NLP)

定義	讓電腦能妥善處理人類語言文字的技術。
目標	讓電腦和人類溝通順暢，完成任務。

 

1-3.2大數據分析

定義	將巨量資料藉由電腦進行統計、比對、分析而獲得客觀有用的資訊，協助企業掌握商業趨勢並輔助決策。
特性 4V	資料量大(Volume) 資料多樣性(Variety) 資料即時性(Velocity) 資料真實性(Veracity)
分析	1.數據統計：處理數據的第一步是獲得並儲存，若能儲存大量資料，只是簡單的描述統計，也有助於了解提供數據者的特徵。 2.資料探勘：使用人工智慧、機器學習等技術，讓機器協助人類在短時間內分析巨量資料，並找出其中規律的過程。應用於偵查、取得線索、追查犯罪者、預測犯罪地點。
分析 步驟	1.取得 2.儲存 3.運算 4.視覺化
工具	1.取得工具：Google Form、SurveyCake 2.儲存工具：Apache Hadoop 3.分析工具：Hadoop MapReduce、Spark 4.視覺化工具：Tableau、Wordcloud
憂患	隱私。企業在蒐集數據前，應告知使用者將提供何種數據給第三方，以及數據可能的使用方式，並應維護使用者的隱私權。
趨勢	快速掌握現在局勢、推斷未來走向。 掌握最新情報，在危機發生時第一時間反應，作好危機處理降低風險。

 

1-3.3區塊鏈(Block Chain)

起源	中本聰(Satoshi Nakamoto)的比特幣(Bitcoin)
定義	又稱價值網際網路，藉由密碼學(雜湊函數)串接及保護內容的串聯紀錄，每一個區塊皆包含前一個區塊的加密函數、交易訊息及時間。
種類	公有鏈：可自由加入。 私有鏈：僅特定對象加入。 聯盟鏈：聯盟成員，私有鏈之擴充。
核心 處理 要素	1.分散式共享帳簿交易鏈(Shared Ledger) 2.智慧合約(Smart contract) 3.隱私安全 4.共識演算法 　(1)工作量證明(Proof of Work, PoW) 　(2)權益證明(Proof of Stake, PoS) 　(3)權益授權證明(Delegated Proof of Stake, DPoS) 　(4)實用拜占庭容錯(Practical Byzantine Fault Tolerance, PBFT)
特性	去中心化、可溯性、開放性、獨立性、安全性、匿名性
說明	利用非對稱式公鑰和私鑰技術。 比特幣區塊鏈使用橢圓曲線密碼術。

 

1-3.4資料倉儲(Data Warehouse)

提出	1990年，資料倉儲之父W. H. Inmon提出。
主要 功能	將透過資訊系統線上交易處理(OLTP)長期累積的大量資料，運用資料倉儲理論特有的資料儲存架構，做有系統的分析整理，以利各種分析方法如線上分析處理(OLAP)、資料探勘(Data Mining)之進行，進而支援如決策支援系統(DSS)、主管資訊系統(EIS)之建立，幫助決策者快速有效的自大量資料中，分析出有價值的資訊，以利擬定決策及快速回應外在環境變動，幫助建構商業智慧型(BI)。
架構	1.可由關聯式資料庫，或專為資料倉儲開發的多維資料庫建立。 2.若由多維資料庫建立，架構分為星狀(Star Schema)及雪花狀(Snowflake Schema)，包含數個維度資料表，及一個事實資料表。
特性	1.主題導向(Subject-Oriented)：資料倉儲的資料著重於按其意義，歸類至相同的主題區。 2.整合性(Integrated)：資料倉儲的資料會從不同的資料來源整合而來並維持一致的條理。 3.時間差異性(Time-Variant)：資料倉儲會累積隨著資料變化的動態資料，因為累積了許多歷史新資料。 4.不變動性(Nonvolatile)：資料一旦存入資料倉儲就會被保留下來，即使資料有錯誤也不會被取代或刪除。 ※資料倉儲的容量，隨著儲存年度的增加而逐漸擴增。

 

1-3.5資料探勘(Data Mining)

定義	運用人工智慧、機器學習、統計學和資料庫的交叉方法，在大型資料集中發現模式的計算過程。 從大量的資料中自動搜尋隱藏於其中有特殊關聯性的訊息。
任務	1.異常檢測(異常/變化/偏差檢測)。 2.關聯規則學習(依賴建模)。 3.聚類。 4.分類。 5.回歸。 6.匯總。
方法	監督式學習、非監督式學習、半監督學習、增強學習。 1.監督式學習：分類、估計、預測。 2.非監督式學習：聚類，關聯規則分析。

 

1-3.6物聯網(Internet of Things, IoT)

源起	1998年，Kevin Ashton提出。
簡介	運用感測器、應用程式介面(API)將物件和設備互聯的網路。 智慧型手機是操控中樞。 具備通用唯一辨識碼(UID)，透過網路傳輸資料，不需人機互動。
架構	歐洲電信標準協會(European Telecommunications Standards Institute, ETSI)分三層。 底層：感知層/感測層(Sensors & Actuators)，感知數據資料。 中層：網路層(Interconnection)，接收感知層的數據資料，並傳送至應用層。 上層：應用層(Models & Analytics)，將接收到的數據資料，作最有效的運用，最貼近現實生活。
服務 型態	互聯網：用戶與雲端資訊連結關係，雲端為服務中心。 物聯網：用戶與實體資訊連結關係，用戶為服務中心。