身為AI路人，下課以後還是對於不少名詞有些模糊，做個小筆記整理一下。
人工智慧（AI）、機器學習（ML）、深度學習（DL）是範圍由大到小的概念。
人工智慧(AI)：讓機器看起來有智慧的技術領域
只要是讓機器看起來有智慧都屬人工智慧的領域，例如遊戲裡的NPC，就算只是if...then的規則設定，都算是人工智慧的一種。早期AI的智慧多來自規則與推理，現代的AI則多靠學習技術。
機器學習：電腦靠資料自己學習的技術
機器學習與先前提到的由人所訂定規則有別，是讓機器靠資料自行學習的技術。機器自行學習的方法依所提供的資料，分為監督式學習以及非監督式學習（還有更複雜的半監督、自監督......等）。
監督式學習：提供給機器學習的資料已經貼標，也就是加上了正確答案；學習的過程中，機器會預測正確答案、比較預測答案與正確答案之間的距離後不斷修正模型，而最終輸出的結果是明確的預測或分類，例如經監督式學習的模型，可以分辨狗狗還是貓貓的照片。
非監督式學習：提供機器一批沒有貼標（=正確答案）的資料，機器藉由自行分析找到規則，輸出的資料可能是資料的結構、分群結果、特徵表示，例如經非監督式學習的模型，可以把狗狗照片分一堆、貓貓照片分一堆。
深度學習:機器利用多層神經網路學習的技術
深度學習是機器學習的方法之一，其中的「深度」指的是多層的神經網路，而神經網路有不同的組成方式，包含DNN、CNN、RNN及Transformers等不同結構，具有不同的特色，適用於不同的資料與任務。
DNN： 最基礎的神經結構。
CNN： 擅長影像、圖形資料很強的神經結構。
RNN： 記憶力很好的神經結構， 可以處理有序列、語音、文字等較長的資料。
Transformers：超強的神經網路，前三者都是分段式的處理文字，而Transformers的「自注意力」能力可以一次處理大規模、長序列的資料。
四者之中，Transformers在語言和長序列資料方面，幾乎可以取代DNN、RNN，雖然近期Vision Transformer在影像處理方面逐步進步，但還是難以取代CNN。
模型：可以完成特定任務的完整工具
模型之中有許多結構和可以調整的參數，透過訓練模型，能調整到正確地完成特定任務。而前述的DNN/CNN/RNN/Transformers則是構成模型的結構，依照不同的需求選擇不同的結構。模型可以說是由結構加上訓練出來的參數所組成的成品，例如Chat GPT中就有不同模型可選擇，善於處理不同的任務。
