人工智慧機器學習 (Artificial Intelligence Machine Learning) 簡介

摘要 (Abstract)

本文旨在深度剖析人工智慧 (Artificial Intelligence, AI) 與機器學習 (Machine Learning, ML) 的歷史進程、哲學根基及其在當代社會的劃時代意義。文章回溯了 AI 從抽象的計算夢想演變為實用技術的軌跡，重點闡述了從早期的符號邏輯 (Symbolicism) 到數據驅動的聯結主義  (Connectionism) [註1]這一系列的關鍵轉換。

本文將機器學習確立為當代AI的核心引擎，並深入探討監督式、非監督式、強化學習三大模式及其數學基礎。特別是，透過分析大數據、GPU 運算與深度學習 (Deep Learning , DL) 的協同作用，揭示了AI技術浪潮爆發的機制。

最終，藉由金融風控、精準醫療及生成式 AI 等領域的具體應用個案，了解ML 如何以前所未有的深度和廣度，重塑產業格局、極致化數據價值，並加速人類知識邊界的拓展。

第一章：引言：人工智慧與機器學習的時代意義

1.1 從哲學沉思到計算實現：人工智慧的思維起源與願景

人工智慧 (AI) 的概念，其思想源頭來自於人類對「機器能否具備人類智慧?」的古老哲學沉思之中。從古希臘對計算機的構想，到 17 世紀萊布尼茲 (Gottfried Wilhelm Leibniz) 欲以「演算推理器(Calculus Ratiocinator)」實現廣泛的推理，皆顯示了人類將思維過程形式化、機械化的持續探索。

邏輯與計算的奠基：圖靈機與可計算性

AI 理論的現代化起點，於 20 世紀初邏輯學和計算理論的突破。最為關鍵的貢獻來自艾倫・圖靈 (Alan Turing)。他在 1936 年發表了具里程碑意義的論文《論可計算數及其在判定問題上的應用 (On Computable Numbers, with an Application to the Entscheidungsproblem)》，提出了抽象的圖靈機 (Turing Machine) 模型。圖靈機證明了任何可計算的問題都可以被一種具備基本讀寫、移動操作的簡單機器解決，從根本上確立了通用計算 (Universal Computation) 的可能性。圖靈機不僅是現代電腦的理論基礎，也為 AI 提供了一個哲學基礎：AI行為能否被形式化、機械化的模擬？

1950 年，圖靈進一步發表了著名的論文《計算機器與智能 (Computing Machinery and Intelligence)》，首次提出了著名的圖靈測試 (Turing Test)。他將「機器能否思考」這一模糊的哲學問題轉化為一個可操作的行為檢驗：如果一個機器能在隔離狀態下，透過文字對話讓人類裁判誤以為它也是人類，那麼該機器即可視為具備與人類等效的智能。圖靈測試將智能的定義從對意識本質的探討轉向了對行為功能的關注，為 AI 研究設定了明確的初步目標。

1.2 達特茅斯會議(Dartmouth Summer Research Project on Artificial Intelligence)

1956 年的達特茅斯會議正式確立了「Artificial Intelligence」這一術語。早期的研究主要遵循符號主義 (Symbolicism) 路線，其核心假設是：人類智能的本質即為符號操作與邏輯推理。研究者試圖透過建立專家系統和複雜的知識庫來模擬人類的知識結構與推理過程。

儘管符號主義在處理，如定理證明等結構化、規則清晰的問題上，展現出一定能力，但在面對真實世界中龐大、模糊且充滿不確定性的感知數據（如圖像、語音）時，其缺陷迅速暴露，即: 為真實世界的每一個情境編寫詳盡規則，被證明是極為困難的任務，這最終導致了 AI 歷史上著名的「AI 寒冬」。

1.3 機器學習的興起：從指令到經驗的範式轉移(Paradigm Shift)

AI 領域的真正轉捩點，在焦點從邏輯推理轉向聯結主義(Connectionism)，即模擬生物神經網路結構與學習機制的時代。這正是機器學習 (Machine Learning, ML) 的核心思想：不再依賴於預先編寫的邏輯指令，而是讓機器透過統計與優化方法，從數據經驗中自主地學習模式和規律。

機器學習的經典定義，由湯姆・米切爾 (Tom Mitchell) 於 1997 年精確闡述，確立了其數據驅動 (Data-Driven) 的本質：「一個程式 P 在任務 T 上的表現，用量度 E 來衡量，如果隨經驗 E 增加，P 在 T 上的表現有所改善，則稱該程式 P 正在從經驗 E 中學習。」 機器學習將人類智能實現的途徑，從編碼的知識轉變為優化的統計模型。

1.4 時代機遇：大數據、運算與演算法的協奏

機器學習能在 21 世紀迎來爆炸式增長，是三股關鍵力量相互協同的結果：數據的海嘯 (Big Data) 提供了充足的經驗；運算能力的爆發 (Computational Power)，特別是 GPU 的應用，提供了運算動力；而深度學習的突破 (Deep Learning) 則提供了處理複雜數據的演算法。

第二章：機器學習的核心概念與基礎機制

機器學習透過數學模型，以統計學和優化理論為基礎，將數據中的潛在規律形式化。根據訓練數據的類型和學習目標的不同，ML 可被劃分為三大基本範式：

2.1 監督式學習 (Supervised Learning)：預測的藝術

監督式學習是應用最廣泛的 ML 範式。它使用標記數據 (Labeled Data) 進行訓練，即每一組輸入 X 都對應一個已知的正確輸出 y，模型目標是學習一個映射函數 f: X → y。

• 核心任務：
• • 分類 (Classification)： 輸出 y 是離散的類別標籤（如：判斷電子郵件是否為垃圾郵件）。
  • 迴歸 (Regression)： 輸出 y 是連續的實數值（如：預測房價或股票價格）。
• 關鍵演算法： 線性迴歸、邏輯迴歸、支援向量機 (Support Vector Machine, SVM)、決策樹、隨機森林。
• 數學機制： 在訓練過程中，模型透過最小化損失函數 (Loss Function) 來衡量其預測值與真實值之間的誤差。例如，迴歸任務常使用均方誤差 (MSE)，分類任務常使用交叉熵 (Cross-Entropy)。

2.2 非監督式學習 (Unsupervised Learning)：發現潛在結構

非監督式學習使用未標記數據 (Unlabeled Data) 進行訓練，旨在探索數據本身的內在結構、隱藏的模式和分佈規律，而無需預先知道正確的輸出。

• 核心任務：
• • 群聚 (Clustering)： 將相似的數據點分組。K-Means 演算法是典型代表，它將數據點劃分到 K個Cluster中，使得Cluster內的方差最小。
  • 降維 (Dimensionality Reduction)： 在保留數據核心資訊的前提下，減少特徵向量的Demension。主成分分析 (Principal components analysis, PCA) 透過變換將數據投影到變異數最大的軸上，是應用最廣泛的線性降維技術。

2.3 強化學習 (Reinforcement Learning, RL)：透過交互學習策略

強化學習是一種不同於前兩者的範式。它基於代理人 (Agent) 在環境 (Environment) 中的Trial-and-Error。代理人執行行動 (Action) 後，環境會回饋一個獎勵 (Reward) 或懲罰，目標是學習一個最佳策略 (Policy)，以最大化長期累積獎勵。

• 核心概念： RL 通常被形式化為馬可夫決策過程 (MDP)。關鍵的數學函數包括價值函數 (Value Function) 和Q-函數 (Action-Value Function)，用於評估特定狀態或行動的長期收益。
• 關鍵演算法： Q-Learning、SARSA、深度 Q 網路 (DQN, 結合了 DL 的 RL 算法)、策略梯度方法 (Policy Gradients)。
• 應用領域： 遊戲(如 AlphaGo)、自主導航、機器人控制、自動駕駛決策系統。

第三章：深度學習的機制、架構與顛覆性突破

深度學習 (DL) 之所以具備顛覆性，在於其對傳統神經網路的結構進行了革命性擴展，使其能高效處理高維度的複雜數據。

3.1 卷積神經網路 (Convolutional Neural Networks, CNN)

CNN 是計算機視覺領域的基石，其設計靈感來自於生物的視覺皮層。

• 核心層：
• • 卷積層 (Convolutional Layer)： 透過可學習的濾波器 (Filters/Kernels) 對輸入數據進行掃描操作，提取局部特徵（如邊緣、紋理）。這實現了權重共享 (Weight Sharing)，極大地減少了模型參數並增強了對空間變化的強健性(Robustness)[註2]。
  • 池化層 (Pooling Layer)： 通常在卷積層之後使用，用於縮小數據的空間尺寸，減少計算量，並使模型對微小的位置偏移不敏感。

你可以想像CNN: 把一大鍋大雜燴的數據，先加入一些食材調味，經過熬煮烹飪，再萃取成小鍋料理；反覆地重複烹調步驟，最後成為一道美味的佳餚。

• CNN 的優勢： 具備強大的特徵層次化提取能力，適合處理具有網格結構的數據（圖像、視訊）。

3.2 序列模型與注意力機制：Transformer 的時代

早期的序列數據（語音、文本）處理模型是循環神經網路 (Recurrent Neural Networks, RNN)，它透過內部隱藏狀態實現對序列資訊的「記憶」。然而，RNN 存在長程依賴問題和訓練難以並行化的缺陷。

為了解決這些問題，長短期記憶網路 (LSTM) 和 門控循環單元 (Gated Recurrent Unit, GRU) 被發明出來。然而，真正帶來革命的是 2017 年提出的 Transformer 架構。

• 變革核心：注意力機制 (Attention Mechanism)： Transformer 模型完全放棄了循環和卷積結構，僅依賴於自注意力 (Self-Attention)。自注意力機制允許模型在處理序列的某個位置時，能同時考慮序列中所有其他位置的資訊，並根據其相關性分配不同的「注意力權重」。

[圖1] Transformer 模型中的「自注意力機制 (Self-Attention Mechanism)」。圖中包含三個關鍵向量：查詢 (Q, Query)、鍵 (K, Key) 和值 (V, Value)。

• Transformer 的影響： 這一突破使得模型能夠捕捉文本中的長距離語義依賴，並允許在 GPU 上進行高效的並行計算，從而實現了參數規模龐大且訓練效率極高的大型語言模型 (LLMs)，例如 GPT (Generative Pre-trained Transformer) 和 BERT (Bidirectional Encoder Representations from Transformers)。

3.3 深度網路的訓練機制：反向傳播與優化

無論是 CNN 還是 Transformer，其訓練過程都遵循一個精密的數學優化循環：

1. 前向傳播 (Forward Propagation)： 輸入數據通過網絡層層計算，最終得到預測輸出。
2. 計算損失 (Loss Calculation)： 使用損失函數（如交叉熵）計算預測輸出與真實標籤之間的誤差。
3. 反向傳播 (Backpropagation)： 這是訓練的核心。它透過鏈式法則 (Chain Rule)，從輸出層開始，將損失梯度反向傳播至網絡的所有權重和偏差。
4. 參數優化 (Optimization)： 優化器 (Optimizer)（如 SGD、Adam、RMSprop）使用計算出的梯度來更新網絡的權重，目的是讓損失函數沿著梯度最陡峭的反方向下降，直至收斂到局部或全局最小值。

第四章：高科技應用、生成式 AI 與倫理挑戰

4.1 機器學習在核心產業的深度應用

應用個案 1：金融業的風險評估與反欺詐 (FinTech)

傳統金融風險評估依賴於少數統計指標和手工規則。ML 模型（GBT）能夠整合數百個非線性特徵（如交易模式、行為習慣），建立高維度模型。

• 實例： 一家大型銀行採用 ML 模型進行貸款違約預測，發現其準確度 (Accuracy) 和曲線下面積 (AUC) 相較於傳統模型提升了 15%，有效減少了數千萬美元的潛在損失。深度學習的異常檢測模型能夠實時監測每筆交易的細微偏差，將信用卡欺詐的檢測時延從數分鐘縮短至數秒，顯著提升了資金安全性。

應用個案 2：精準醫療與疾病診斷 (Healthcare)

在醫療領域，ML 極大地提升了診斷的精準度和效率，實現了從「一體適用」到「個性化」的轉變。

• 實例： 在醫學影像分析中，卷積神經網路 (CNN) 被用於分析 X 光片、MRI 和病理切片。某項研究表明，訓練有素的 CNN 模型在視網膜病變診斷中，其敏感度 (Sensitivity) 和特異度 (Specificity) 已達到甚至超越了人類眼科專家的平均水準。這提供了可擴展且標準化的輔助診斷能力，尤其對於資源匱乏地區意義重大。

應用個案 3：加速科學發現與新材料研發 (Basic Science)

ML 正成為基礎科學研究的強大加速器，處理傳統計算方法難以應對的複雜性和規模。

• 實例： DeepMind 的 AlphaFold 2 模型，透過深度學習成功預測了蛋白質的三維結構。這一成就被譽為近半個世紀以來生物學領域最重大的進展之一，極大加速了藥物設計、酶工程和疾病機理的研究。AlphaFold 在全球蛋白質結構預測挑戰賽 (CASP) 中的表現證明了 AI 在處理組合爆炸問題和高維複雜性時所擁有的無與倫比的能力。

4.2 生成式 AI (Generative AI) 的浪潮與技術原理

近年來，ML 的應用已從單純的識別 (Classification) 和預測 (Prediction) 轉向生成 (Generation)。生成式 AI 旨在創建新的、逼真且多樣化的內容（圖像、文本、音樂等）。

• 關鍵模型：
• • 生成對抗網路 (Generative Adversarial Networks, GANs)： 由一個生成器 (Generator) 和一個判別器 (Discriminator) 構成的雙網絡系統。兩者相互競爭，生成器試圖創建足以欺騙判別器的虛假數據，而判別器則致力於區分真實與虛假數據。這種對抗過程推動生成器產生極為逼真的圖像。
  • 擴散模型 (Diffusion Models)： 這是當前主流的圖像生成技術。其原理是透過多個步驟，從數據中逐步添加高斯噪聲（前向過程），然後訓練一個網絡來學習如何逆轉這個噪聲(noise)過程，從而從純噪聲中逐步「去噪」並生成清晰的圖像。

[圖片2：生成對抗網路 (GAN) 核心原理圖]

4.3 倫理、公平性與可解釋性人工智慧 (XAI)

隨著 AI 權力的增長，其帶來的倫理和社會挑戰已成為當代最核心的議題。

• 數據偏差與公平性 (Data Bias & Fairness)： 模型中的數據偏差源自於訓練數據中固有的社會或歷史偏見。這可能導致 AI 在信貸審批、司法判決或招聘決策中做出歧視特定群體的決策。解決此問題需要數據去偏 (Debiasing) 技術和嚴格的公平性指標監測。
• 可解釋性人工智慧 (Explainable AI, XAI)： 深度學習模型常被視為「黑箱」，這在醫療、金融等高風險領域是不可接受的。XAI 的研究旨在讓人類能夠理解複雜模型做出特定決策的依據。技術如 SHAP (SHapley Additive exPlanations) 和 LIME (Local Interpretable Model-agnostic Explanations) 被用於提供局部或全局的模型行為解釋。XAI 不僅是技術問題，更是建立社會信任、實施有效監管的關鍵前提。

[圖3： XAI的概念圖]

第五章：總結與未來展望

機器學習，尤其是深度學習，是人工智慧發展至今最為成功的技術載體，其發展標誌著人類從依賴邏輯指令的符號計算時代，過渡到依賴海量數據與統計優化的聯結AI智能時代。

展望未來，機器學習的發展將聚焦於以下幾點：

1. 通用人工智慧 (Artificial General Intelligence, AGI) [註3]的探索： 雖然當前仍是窄 AI 佔主導，但 LLMs 和多模態模型的融合正在推動我們向 AGI 邁進。
2. 效率與可持續性： 訓練超大型模型的巨大能耗要求研究者轉向高效學習 (Efficient Learning)，例如稀疏模型 (Sparsity) 和低精度計算。
3. 人機協作的深化： AI 將從單純的自動化工具，演變為增強人類認知能力、提升創造力的智慧協作夥伴。

以上三種核心技術的原理與潛力，以及其衍生的倫理責任，已成為當代所有AI專業領域不可或缺的能力，共同塑造一個由數據和智能定義的未來。

註解:

1. 聯結主義 (Connectionism) 是人工智慧和認知科學中的一種典範，其核心思想是模仿人腦神經網路的結構和運作方式來實現智能。它主張知識不是以明確的符號規則儲存，而是分佈式地儲存在大量簡單的處理單元（即神經元）之間的連接（權重）中。

聯結主義模型，如人工神經網路，透過這些單元之間的並行處理和權重調整，從經驗中學習和識別模式。它是現代機器學習，特別是深度學習（Deep Learning）的理論基礎。

2. 強健性 (Robustness) 在人工智慧和機器學習領域，指的是一個系統或模型在面對輸入數據中的微小擾動、噪聲、異常值或對抗性攻擊時，仍能保持穩定且準確性能的能力。

例如，自動駕駛汽車的電腦程式碼必須是強健的，不能因為路邊一個不起眼的塗鴉，就突然誤判前方是障礙物。總之，強健性是衡量AI 系統在真實、混亂且不可預測的環境中，保持穩定性和可靠性的程度。

3. 通用人工智慧（Artificial General Intelligence, AGI），或稱強人工智慧 (Strong AI)，是人工智慧研究的終極目標。它指的是一種具備與人類相同或更高認知能力的機器智能系統。

與目前我們生活中常見的、專注於執行單一或有限任務的弱人工智慧 (Weak/Narrow AI) 截然不同，AGI 擁有跨領域的學習、理解、適應和解決問題的能力。具體來說，AGI 應能執行人類所有的認知功能，包括：抽象推理、知識遷移（將在一個領域學到的知識應用到新領域）、創造性思維、規劃、學習新技能，以及處理不確定性和模糊性。

AGI 的核心價值在於其通用性和自主性。它不依賴於預先編程的規則或僅限於訓練數據的範疇，而是能夠像人類一樣具備意識 (Consciousness) 和自我意識 (Self-awareness)（雖然這點仍存在哲學爭議）。目前，儘管大型語言模型 (LLMs) 等技術展現出驚人的類人表現，但它們在本質上仍屬於窄 AI，AGI 的實現仍是科學界面臨的巨大挑戰，涉及複雜的計算理論、認知科學和哲學倫理問題。一旦實現，AGI 將徹底改變人類社會的結構和進程。

註解:

1. 聯結主義 (Connectionism) 是人工智慧和認知科學中的一種典範，其核心思想是模仿人腦神經網路的結構和運作方式來實現智能。它主張知識不是以明確的符號規則儲存，而是分佈式地儲存在大量簡單的處理單元（即神經元）之間的連接（權重）中。

聯結主義模型，如人工神經網路，透過這些單元之間的並行處理和權重調整，從經驗中學習和識別模式。它是現代機器學習，特別是深度學習（Deep Learning）的理論基礎。

2. 強健性 (Robustness) 在人工智慧和機器學習領域，指的是一個系統或模型在面對輸入數據中的微小擾動、噪聲、異常值或對抗性攻擊時，仍能保持穩定且準確性能的能力。

例如，自動駕駛汽車的電腦程式碼必須是強健的，不能因為路邊一個不起眼的塗鴉，就突然誤判前方是障礙物。總之，強健性是衡量AI 系統在真實、混亂且不可預測的環境中，保持穩定性和可靠性的程度。

3. 通用人工智慧（Artificial General Intelligence, AGI），或稱強人工智慧 (Strong AI)，是人工智慧研究的終極目標。它指的是一種具備與人類相同或更高認知能力的機器智能系統。

與目前我們生活中常見的、專注於執行單一或有限任務的弱人工智慧 (Weak/Narrow AI) 截然不同，AGI 擁有跨領域的學習、理解、適應和解決問題的能力。具體來說，AGI 應能執行人類所有的認知功能，包括：抽象推理、知識遷移（將在一個領域學到的知識應用到新領域）、創造性思維、規劃、學習新技能，以及處理不確定性和模糊性。

AGI 的核心價值在於其通用性和自主性。它不依賴於預先編程的規則或僅限於訓練數據的範疇，而是能夠像人類一樣具備意識 (Consciousness) 和自我意識 (Self-awareness)（雖然這點仍存在哲學爭議）。目前，儘管大型語言模型 (LLMs) 等技術展現出驚人的類人表現，但它們在本質上仍屬於窄 AI，AGI 的實現仍是科學界面臨的巨大挑戰，涉及複雜的計算理論、認知科學和哲學倫理問題。一旦實現，AGI 將徹底改變人類社會的結構和進程。

參考文獻:

1. Turing, A. M. (1950) "Computing Machinery and Intelligence" (計算機器與智能), Mind, 59(236), 433-460. https://doi.org/10.1093/mind/LIX.236.433
2. Mitchell, T. M. (1997), "Machine Learning" (機器學習), McGraw Hill
3. Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986), "Learning representations by back-propagating errors" (透過誤差反向傳播學習表示), Nature, 323(6088), 533-536., https://doi.org/10.1038/323533a0
4. Cortes, C., & Vapnik, V. (1995), "Support-Vector Networks" (支援向量網路) Machine Learning, 20, 273-297. https://doi.org/10.1007/BF00994018
5. Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012), "ImageNet Classification with Deep Convolutional Neural Networks",Advances in Neural Information Processing Systems (NIPS) https://proceedings.neurips.cc/paper/2012/file/c399862d3b9d6b76c8436e924a68c45b-Paper.pdf
6. Kingma, D. P., & Ba, J. (2014) Adam: "A Method for Stochastic Optimization"(Adam：一種隨機優化方法),International Conference on Learning Representations (ICLR), https://arxiv.org/abs/1412.6980
7. Hochreiter, S., & Schmidhuber, J. (1997), "Long Short-Term Memory" (長短期記憶), Neural Computation, 9(8), 1735-1780. https://doi.org/10.1162/neco.1997.9.8.1735
8. Vaswani, A., et al. (2017), "Attention Is All You Need" (注意力就是一切), Advances in Neural Information Processing Systems (NIPS) https://proceedings.neurips.cc/paper/2017/file/3f5ee243547dee91fbd053c1c4a845aa-Paper.pdf
9. Goodfellow, I., et al. (2014), "Generative Adversarial Nets" (生成對抗網路), Advances in Neural Information Processing Systems (NIPS) https://proceedings.neurips.cc/paper/2014/file/5ca3e9b122f61f8f06494c97b1a483a9-Paper.pdf
10. Mnih, V., et al. (2015), "Human-level control through deep reinforcement learning" (透過深度強化學習實現人類級控制), Nature, 518(7540), 529-533. https://doi.org/10.1038/nature14236
11. Silver, D., et al. (2016), "Mastering the game of Go with deep neural networks and tree search, Nature, 529(7587), 484-489. https://doi.org/10.1038/nature16961
12. Lundberg, S. M., & Lee, S. I. (2017), "A Unified Approach to Interpreting Model Predictions "(解釋模型預測的統一方法), Advances in Neural Information Processing Systems (NIPS), https://proceedings.neurips.cc/paper/2017/file/8394463442a245ee4424750920333287-Paper.pdf
13. Jumper, J., et al. (2021), "Highly accurate protein structure prediction with AlphaFold "(使用 AlphaFold 進行高度精確的蛋白質結構預測), Nature, 596(7873), 583-589. https://doi.org/10.1038/s41586-021-03819-2

參考書籍 (Reference Books)

1. Russell, S., & Norvig, P. (2020), "Artificial Intelligence: A Modern Approach (4th Edition)" (人工智慧：一種現代方法), Pearson
2. Mitchell, T. M. (1997), "Machine Learning" (機器學習), McGraw Hill
3. Goodfellow, I., Bengio, Y., & Courville, A. (2016), "Deep Learning" (深度學習), MIT Press
4. Bishop, C. M. (2006), "Pattern Recognition and Machine Learning "(模式識別與機器學習), Springer
5. Hastie, T., Tibshirani, R., & Friedman, J. (2009), "The Elements of Statistical Learning" (統計學習要素), Springer
6. Sutton, R. S., & Barto, A. G. (2018), "Reinforcement Learning: An Introduction (2nd Edition)" (強化學習：導論), MIT Press
7. Alpaydin, E. (2020), "Introduction to Machine Learning (4th Edition)" (機器學習導論), MIT Press
8. Witten, I. H., Frank, E., Hall, M. A., & Pal, C. J. (2016), "Data Mining: Practical Machine Learning Tools and Techniques (4th Edition)" (數據挖掘：實用機器學習工具與技術), Morgan Kaufmann
9. Cover, T. M., & Thomas, J. A. (2006), "Elements of Information Theory (2nd Edition) "(資訊理論要素), Wiley
10. Prince, C. (2012), "Computer Vision: Models, Learning, and Inference" (計算機視覺：模型、學習與推論), Cambridge University Press
11. Jurafsky, D., & Martin, J. H. (2023), "Speech and Language Processing (3rd Edition Draft) "(語音與語言處理)
12. Chollet, F. (2017), "Deep Learning with Python "(Python 深度學習), Manning Publications