誤上 AI 列車的山道猴，就是我

​前言

社會在走，基本行情要有啦。

大家都在瘋 AI，身為 Sym道猴的我，能不一起湊熱鬧嗎。

很多人聊股票，討論真 AI、假 AI，

我跟你講，

這篇就是真 AI。

這篇是本猴最近的讀書筆記，適合的讀者是跟我一樣，沒相關背景但希望對 AI 原理有點概念的人。適合茶餘飯後觀看，通常可以原地睡著。

旨在分享概念，省略很多細節，用詞也不精確，建議不要看得太認真看。

覺得有被啟蒙的猴猴，可以去找專業教材認真學一輪，然後記得回來教我~

暖身

開始之前，先快速瞄過幾個簡單的先備知識。

• 機率總和為百分之百

若明天降雨機率是百分之三十，則明天不降雨的機率是百分之七十。

若硬幣正面朝上的機率是百分之五十，則反面朝上的機率是百分之五十。

• 直線方程式

下圖藍線的方程式為 x - 2y - 2 = 0，線上任一點(例如藍點)帶入方程式會等於 0，藍線左側的點(例如紅點)帶入方程式會小於 0，右側的點(例如綠點)帶入會大於 0。

• 訓練 AI 的步驟

看看ChatGPT怎麼說：

粗略歸納成三個大步驟：

1. 準備資料 (1)
2. 訓練模型 (2, 3, 4, 5)
3. 實測 (6)

也可參考NV官網的流程圖：

歡迎進入

人工智慧的世界。(嚴格來說是 Deep Learning，這篇多用 AI 是因較通俗好懂，其實 AI 的範圍很廣。)

下面用三個例子，依序說明基本的 AI 原理。

一、你相信嗎？AI 看身高體重就知道你是否騎SYM

這章節將描述如何訓練 AI 回答一個是非題：

輸入一個陌生騎士的身高、體重...等特徵，回答他騎的車是否為 SYM。

線性模型 - 感知器

首先，第一步是準備資料。我們可以透過街訪或線上問卷，蒐集可能會用到的資料。資料可能長這樣：

資料集就如同考古題，記錄騎士的特徵，以及機車是否為SYM。

我們用一些數學方法，根據考古題歸納出一個統計模型，這個過程就是訓練模型。之後就能用這個模型，根據一個陌生騎士的特徵，直接預測他的機車品牌。

假設先只考慮身高和體重，那麼把資料畫出來看看，騎SYM的騎士用紅點表示，騎他牌的騎士用綠點表示。(只是範例，跟上圖的數據沒有完全一致)。

蒐集完資料集後，再來是訓練模型。所謂模型，只是一個數學函式、一組規則，可以很簡單，也能很複雜。

通常是由人類定義模型架構，裡面有些未知數。再用一些數學方法，從資料集中自動推導出各個未知數。

例如，觀察上圖的資料分布，因為紅點綠點看起來有自己的一群 (線性可分)，我們可以定義模型架構為一個簡單的線性的多項式：

ux + vy + b

x是身高，y是體重，接著再從資料集推導出未知數 u、v、b。

怎樣的 u、v、b 是我們要的？

其實上圖有畫出來了，概念可以參考暖身章節第二段，直線方程式。我們希望找到一組 u、v、b，能使：

1. 紅點的身高體重帶入 ux + vy + b 大於 0
2. 綠點的身高體重帶入 ux + vy + b 小於 0 (紅點和綠點誰大於0都可以)

這樣的u、v、b，就是我們想要的。

找到u、v、b後，把所有等於 0 的點畫出來，會組成一條線(藍線)，稱作邊界 (boundary)。

若找到的 u v b 是 3、-2、-4，那麼原本的多項式就能寫成 3x - 2y - 4，因此我們訓練出來的模型即為：

• 令 z = 3*身高 - 2*體重 - 4
• 若 z 大於 0，則判斷該騎士騎的是SYM，反之，則不是。

再來，就能找其他陌生騎士來實測這個模型了。

就這樣？

就這樣。

這就是 感知器 (Perceptron) 的概念，詳細的網路文章很多，照著步驟做就能找到u、v、b。

(輸出 1 表示 yes，該騎士的車是SYM。輸出 0 表示 no，該騎士的車不是SYM。)

然而，事情通常不會這麼順利。

拿這個模型去實測，正確率應該會很差。

因為資料集裡可能有些人被突然的低價促銷影響，買了沒那麼喜歡的他牌，其實想買SYM，但因沒錢...

別激動...

上述的資料集，騎士分布的太理想了，實際上不會那麼理想。

有時，資料未必能用一條直線區分 (非線性可分)，因此用上述感知器方法堆導出來的幾組 u v b 都沒辦法把考古題全答對。如下圖，左右兩組 u v b 代表的模型，都會誤判一個點。

我們知道，資料集不可能採樣到所有騎士。

人腦很容易看出來，除了少數離群值，多數騎士分成兩群，所以很輕鬆就能判斷，左邊是比較好的模型。

但若用感知器方法，因左右都錯 1 題，平手，會以為兩邊一樣好。若最後不幸選了右邊的模型，顯而易見地，當拿去找陌生騎士實測，正確率會很差。

導入機率 - 邏輯迴歸

為了處理上述情況，我們可以導入機率 (Probability) 的概念。除了讓身高體重帶入函式 ux + vy + b，還要再轉成機率 P。這裡 P 指的是：騎士的車是SYM的機率。

如何轉成機率？

數學家經過一些推導，發現可以使用 S型函數。其實沒聽過別人翻成中文，通常直接講 sigmoid function，數學式常用小寫sigma σ 來表示。

sigmoid function 能讓每個 z 都能對應到一個機率 P。機率 P = σ(z)，z 越小，P 越接近 0，z 越大，P 越接近 1。

整理一下模型：

• 令 z = ux + vy + b (u*身高 + v*體重 + b)
• 令 P = σ(z)
• 若機率 P 大於 0.5，則判斷該騎士的車是SYM，反之，則不是。(用50%當作分界)

由於 sigmoid function 裡沒有未知數，所以跟剛剛一樣，再來要從資料集中推導出一組 u v b。但還是那個問題，怎樣的 u、v、b 是我們要的？

我們希望找到一組 u、v、b，能使：

1. 紅點算出來的機率盡量靠近 1 (機率 1 就是 100% 的意思)
2. 綠點算出來的機率接近 0 (機率 0 就是 0% 的意思)

再提一次，這裡的機率 P 指的是：騎士的車是SYM的機率。

導入機率後的整套方法叫作 邏輯迴歸 (Logistic Regression)，一樣有固定步驟可以推導出最好的 u、v、b。(推導的步驟有個名字：梯度下降法。)

回到剛剛的問題，

為什麼導入機率的邏輯迴歸方法，可以解決這種情況？

導入機率前，左右兩個模型錯誤題數是 1 比 1，平手。導入機率後，除了比錯誤的題數，因為目標是讓紅點的機率盡量靠近 1，綠點的機率盡量接近 0，我們比的是：

紅點的機率和1的誤差 + 綠點的機率和0的誤差。 (這樣寫只是方便理解，機率的誤差不單純只是加減，細節請搜尋 "cross entropy")

參考上圖，

離邊界(藍線)越遠的綠點，算出來的 z 越小，

離邊界(藍線)越遠的紅點，算出來的 z 越大。

z 越小，機率 P 越接近 0，

z 越大，機率 P 越接近 1。

另外別忘，若點位於邊界(藍線)上，算出來的 z 會是 0，0 對應到的機率 P 是 0.5。

因此，左邊的模型，多數點都離邊界有點距離，紅點機率都接近1，綠點機率都接近0，唯一分錯的綠點，機率和 0 的差距趨近於 1。

右邊的模型，雖然也只分錯一個紅點，但好幾個點都在邊界附近，機率都比左邊更接近0.5，比較 紅點的機率和1的誤差 + 綠點的機率和0的誤差，很明顯右邊的模型比較大。

因此，導入機率的邏輯迴歸方法，在非線性可分的題目，依然可以用簡單的數學、程式，做出跟人腦接近的判斷，認為左邊的模型比右邊好。這樣找出來的模型，拿去找陌生騎士實測，正確率很有機會比感知器方法找出來的好。

更難的情況

感知器和邏輯迴歸的概念大致都講完了。進入下一章之前，再講個更難的情況，當作引言。

如果資料集裡的分布長這樣：

如果，

紅點和綠點的分佈，有明顯的規律，但找不到一條直線當作兩者的邊界，

那可以考慮兩個方法：

1. 除了身高和體重兩個特徵，再新增更多特徵，例如年齡。
2. 把每個點的身高和體重做一點調整，再去找邊界。(feature transformation)

為方便理解，上圖四個明顯的群，以四個點表示。

法1，若資料夠多，除了身高和體重兩個特徵，可以再把年齡也考慮進去。

那個立方體只是方便讀者理解四個點的空間關係，沒特別意義。

原本只能在二維空間找一條直線當作邊界，加入年齡後，目標變成在三維空間找一個平面 ux + vy + pz + b = 0 當作邊界，簡單很多。

邏輯迴歸並不限於二維空間，多維空間也可用，算法一模一樣。推導出 u v p b 後，模型就訓練完成了：

• 令 z = ux + vy + pz + b
• 令 P = σ(z)
• 若機率 P 大於 0.5，則判斷該騎士的車是SYM，反之，則不是。

法2，把特徵做一點轉換 (feature transformation)。下圖為例，原本4個點的 (x, y) 是 (身高, 體重)，把它們轉換成：

• 新的x：點到 (160, 50) 的距離
• 新的y：點到 (180, 90) 的距離

再用一樣的方法去找邊界就變得容易了。

關於法1，怎麼知道要用幾個特徵？

關於法2，怎麼知道特徵要做什麼轉換？

其實都不用知道，

下一節會講，如何讓模型自己去學，要用哪些特徵、要做什麼特徵轉換。

小結

本章節描述了如何訓練 AI，由騎士的身高、體重...等特徵，回答他騎的車是否為 SYM，這樣的是非題。

透過問題，介紹了感知器的概念，定義線性模型 ux + vy + b，由於資料看起來線性可分，可以推導出 u v b，得到一個學好的模型，能根據騎士的身高體重，猜測他騎的車是否為SYM。

但通常資料不是線性可分，所以使用邏輯迴歸方法，導入機率 P = σ(ux + vy + b)，讓我們能在資料非線性可分的情況下，找到一個雖然不是滿分，但表現最好的模型。

在更難的情況中，分享了增加特徵和特徵轉換兩種解法。

二、比圈外人還懂！AI能分辨Jet SL+和Jet SL

這章節將描述如何訓練 AI 回答一個更難的是非題，或者說，只有兩個選項的選擇題：

輸入一張 Jet SL 或 SL+圖片，回答圖片裡的是 SL 或 SL+。

例如這張圖，答案是 SL+。

太簡單？

那下面這四張勒？

好囉，輕鬆的橋段沒了，打起精神吧。

承上一章節，這題依然是基於邏輯迴歸，再加上最後那兩個方法，增加特徵和特徵轉換。但感覺還是有些問題...

用什麼當特徵？

要用多少維度的特徵？

要怎麼轉換特徵？

下面將介紹，如何讓 AI 自己學會這些資訊。

以一張 256*256 的灰階圖片為例，圖上共 65536 個像素(Pixel)，每個像素都是以一個 0~ 255 的數字來表示灰階值，0代表黑，越白數字越大，純白是255。

(若是彩色的圖片，每個像素會有3個0~255的值，分別代表紅綠藍RGB的程度。)

回到問題，用什麼當特徵？

多年以前，有很多數學方法教我們從圖片的像素值計算出各種特徵值，但現在的AI技術不用那麼麻煩了，65536 個像素值全部餵進去模型，AI會自己學。聽起來很玄，但真的就是這樣。

再來，我把3個邏輯迴歸的計算串起來，

第一個邏輯迴歸，把x₁ 轉到 x'₁，

第二個邏輯迴歸，把x₂ 轉到 x'₂，

這就是在做特徵轉換。(如下圖)

特徵轉換，不一定要一對一，也可以一對多(增加特徵維度)，或多對一(減少特徵維度)。

講完了，就種把多個邏輯迴歸的計算串起來的模型，就叫做

類神經網路 (Neural Network)。

不管要做什麼特徵轉換、降維、升維，全部不用知道，那堆未知數交給AI自己學，推導的方法跟單個邏輯迴歸一樣，也是用梯度下降法。

人類要做的事只有定義模型框架。

要把幾個邏輯迴歸串在一起？怎麼串？多對一還是一對多？

這件事，其實沒有人有答案，很靠經驗。

可以自行定義，最右邊的機率P，大於0.5代表SL+或SL。

我看起來啦，分辨 SL+ 和 SL，不是一個太難的問題，只要不要把模型串的太奇怪，多蒐集一點圖片當資料集，AI應該都能學會。

對了，資料集需要蒐集一堆不同角度、大小的 Jet SL+ 和 Jet SL 的圖片，並且要標示清楚哪張是SL+、哪張是SL。

三、有可能嗎？教AI分辨MMB DRG等更多SYM熱門車款

寫得好累，其實該寫的都寫了，

幾個小時候要開夜車，有點怕，

所以決定爛尾一波XD

反正沒人看，這題當回家作業，有機會再把這章補上...

理論上不難，這邊提個關鍵字：

卷積神經網路，Convolutional Neural Networks)

其實做AI，很多題目都不難，蒐集資料集才是最難的。

總結

如果對一個問題有足夠的背景知識，我們可以用合適的AI模型來訓練，增加成功率。但如果問題讓人毫無頭緒，那就可以考慮無腦串一個不要太畸形的類神經網路模型，把資料集全丟進去讓類神經網路模型自己學。再根據AI學習的成果，調整模型結構。

簡言之，「你懂 AI，AI 就會幫你。」

---

沒想到寫這麼多字...

又臭又長的一篇，獻給我的 Sym道猴 夥伴們。

希望這篇文可以幫助到一些，

跟我一樣，想了解 AI，

卻不得其門而入的讀者。

蛤？

原來不得其門而入的，

只有我？

QQ