我的網站學習地圖

小編覺得痞克邦的索引連結實在沒有做得很好，為什麼不能點開分類看到每一個網頁標題內容呢，有時候小編都要找好久才能找到想要的資料，因此小編決定做一個地圖索引，幫助自己也幫助大家快速地尋找我網站中的資料。

小編的網站主要是提供給有興趣想學AI的人，資料都是從網路上蒐集以及聽過的一些課程加上自己的筆記整理，是小編花很多心思整理的，如果覺得有幫助到您的話，留言給小編鼓勵一下，小編會很開心的^.^，這樣小編就更有毅力寫教學文教大家AI囉。寫部落格過程中看到最近新版 Alpha Go 頻頻獲勝的新聞時，小編更是興奮不已，讓小編堅信自己的選擇是沒有錯的，小編相信不久後使用在Alpha Go上的技術將會廣為流傳到各大企業中大大取代人力資源，因此小編也怕以後被裁員阿XD，趕緊跟在這些大師們後面加緊學習，不然以後沒飯吃阿~

DeepMind 的講師 David silver 曾經說過，Deeplearning + Reinforcement learning就是AI，小編深有同感，小編已經看過很多驚奇的影片、論文都是從Deep Reinforcement learning出來的，當然大名鼎鼎的AlphaGo也是DRL的一種，深度學習目前已經廣泛的運用在企業中，但是DRL目前只有少數頂尖公司投入錢研究，因此在企業應用中是少之又少，但小編深信最後創造出來的機器人一定會大量使用這些技術，因此這些技術流入業界中恐怕也只是時間早晚的問題，所以如果不想被裁員，趕快跟著小編的腳步學習AI阿~~

可能啟發您學習的影片

• DeepMind 用DQN 玩打磚塊
• DeepMind 讓蜘蛛人學會踢足球
• DeepMind 讓機械手臂用學習的方式控制到想要位置上
• 將模擬環境換到真的機械手臂上
• 用俠盜列車手的遊戲環境訓練AI自駕車
• 用Contact-Invariant Optimization發現複雜行為
• 用Contact-Invariant Optimization訓練細微手動作
• 訓練小鳥沿著目標飛行

深度學習

深度學習是廣為流行的一種模擬人腦的神經訓練模型，它改善了從前類神經網路的諸多缺點、引用人類大腦學習技術使得圖片辨識率從原本的9X%立刻提升到接近99%的正確度，關於了解什麼是深度學習前應該先理解傳統類神經網路，因為深度學習是從傳統類神經網路開始改進的。

• 類神經基礎理論
• 手把手用python寫出類神經
• 卷積神經網路CNN

強化式學習

強化式學習是AI中很重要的一個演算法，他是經由觀察人腦的學習模式而漸漸發展出來的，它不像類神經一樣需要出現正確的輸入/輸出對，所需要的只是提供一個環境給演算法學習，以及跟機器人說如何做是對的、錯的，那麼機器人會漸漸地學習出最佳的路徑出來，就像訓練小狗握手一樣，牠如果做對了就給牠東西吃，漸漸的狗狗就會知道當你把手伸出來的時候，和你握手就會有東西可以吃，所以狗狗就學會和你握手了 ^.^

使用說明書

https://kknews.cc/zh-tw/tech/lvkyeb.html

資訊 | 微軟開源Malmo項目，使用Minecraft測試人工智慧算法

小編當初就有看到這則新聞，當時覺得超酷的，不過也沒太去注意，因為這種東西我一輩子都碰不到吧，想不到今天小編看到他已經新增到gym的環境了，OpenAI 團隊實在太強了!!!，說實在的關於 Minecraft 的安裝測試，官網一個字都沒有提到，只說有新增了，那到底怎麼裝呢，經過小編測試了一整個下午，終於把他跑出來了，經過重重除錯過程一直到遊戲跑出來的那剎那，內心真是澎湃、激動萬分阿，下面就來跟著小編一步一步安裝吧。

本紀錄是學習Coursera SQL for Data Science的第一篇筆記，前幾周都覺得很容易懂，到了第三周Join的時候真的是有點搞混了，因此特意把整個學習過程記錄下來

PyQt5 安裝實測教學

1.安裝環境

首先使用Anaconda 的架構來安裝環境

# 創建一個叫做pyqt5的環境 
conda create -n pyqt5 python=3.6 # 安裝pyqt5 
pip install pyqt5 # 安裝pyqt5-tools(裡面有designer) 
pip install pyqt5-tools # 安裝打包環境程式檔 
pip install pyinstaller 

2.使用designer 建立UI檔案

安裝完後可以在以下的環境找到 designer.exe檔
D:\Anaconda_path\envs\pyqt5\Lib\site-packages\pyqt5_tools\Qt\bin

打開來會提供許多範本，隨便選一個創建一個新的UI介面

執行環境大概就如下圖所示，左邊有一排元件可以隨意的搭配使用，隨意拉取幾個元件後就可以把文件儲存下來

接下將檔案儲存成.ui附檔名

題目:

The Fibonacci numbers, commonly denoted F(n) form a sequence, called the Fibonacci sequence, such that each number is the sum of the two preceding ones, starting from 0 and 1. That is,

Feature Pyramid Network for Object Detection

1.abstract:

本篇論文是當時coco競賽中最好的結果，所利用的只是加上一個top-down的架構並且和前面的feature map做個結合的動作即可取到相當不錯的結果(下圖d)。

2.main idea

底下這張圖闡述了本篇論文最核心的思想。

• 圖(a)
  金字塔架構的特徵萃取方式是從傳統演算法SIFT/Harr/HoG就已經大量使用方法(如圖a)，主要就是利用各種不同特徵層來提高影像辨識效率，但從前的方法都是手工選取的，而如今主流DL方法是能把這些特徵層經由大量的資料來自動學習。
• 圖(b)
  剛開始的演算法如同faster-rcnn等只取最高層的特徵
• 圖©
  SSD 是最先運用金字塔架構來提升預測準確度的其中一種模型，但是SSD是從中間以及後面自行增加幾層新的特徵層來做預測並沒有充分利用底層高分辨率(high resolution)的特徵層來辨識，這些特徵層對小物體的辨識至關重要
• 圖(d)
  因此，本篇論文就提出了新加入top-down的網路架構，利用反卷積的方式製造出與前一層feature map形狀一樣的特徵層，然後再把左右兩邊的特徵層合在一起，這麼做的好處是可以既利用高層的語意特徵又結合低層高分辨率的特徵，從而提高準確率
  

3.experiments

How important is top-down enrichment?

由下表的(d)可以看出少了top-down的模型在大物體偵測的實驗有良好表現，但小物體就較欠佳了

How important are lateral connections?

論文中表示top-down的網路架構雖然有高語意訊息與高分辨率訊息存在，但由於經由太多層卷積層以至於精確的特徵座標位置移失了，因此需要結合bottom-up的feature map才能提高準確度。表格中的©和(e)相比即可發現有加lateral網路比沒加的多了10個百分點

How important are pyramid representations?

在金字塔的最後一層P2擁有高分辨率以及高語意訊息等特性，因此作者嘗試將所有的anchor都放置在金字塔的最後一層。經由實驗(f)發現效果並沒有比較好，因此顯示出金字塔特徵層的重要性

Object detection的由來

最近Andrew Ng開了一堂深度學習的課，非常適合初學者學習，裡面有一系列課程，分別為
1.Neural Networks and Deep Learning
2.Improving Deep Neural Networks: Hyperparameter tuning, Regularization and Optimization
3.Structuring Machine Learning Projects
4.Convolutional Neural Networks
5.Sequence Models

小編上了其中一堂，裡面非常詳細的講解object detection的由來以及YOLO的運作原理，上完這堂課令我茅塞頓開，許多以前懵懵懂懂的概念經過這堂課的洗禮後就清楚許多了，且coursera的教學方式本身我就非常的喜歡，上課時不只教學而已，課堂後也都會有小考試測試您對這章節所講述的概念有無理解，且還會有程式實作的作業，寫完作業後馬上就可以上傳伺服器來打分數，非常有效率。底下附上課程的連結:
https://www.coursera.org/learn/convolutional-neural-networks?specialization=deep-learning

小編這堂課上的是第四堂，主要講解的是深度學習中的主流網路-卷積神經網路，底下將整理一些小編在這堂課學習到的內容

1.classification:

下圖是一個CNN非常典型的例子，輸入一张圖片後來分辨圖片的種類，這是小編剛接觸深度學習時最初知道的概念，以為網路的功用即是做物件分類罷了。但慢慢學習之後才知道網路無所不能，只要丟入適當的input與output，網路甚至能告訴你物件在圖片中的位置並把它框出來，這類網路在學術界中稱為object detection model。

2.sliding window detection

早先最開始的概念是訓練各種不同大小的網路，然後在圖片上以滑動窗格的方式來尋找物體，如下圖所示，紅色的框框代表三個input size不同的CNN網路，藉由不同大小的框框分別在圖上滑動來預測物體，只要網路的信心大於一定值則可推斷框框所停的位置有極大的機率出現物體，因此我們就可以得知物體的位置並把框框畫出來。

以前小編常常為了跑網路上的範例程式分別交互用兩台電腦運行，一台跑python3的版本，一台跑python2.7的版本，甚至在以前還沒有兩台電腦的時候只能乖乖地一再重灌再重灌，真的是非常沒有效率。但小編自從發現了Anaconda+vscode這個組合之後就再也沒用過其他的compiler了，因為真的是非常方便好用。從此不用再為了環境的問題傷透腦筋了，所謂工欲善其事必先利其器，想學好python一定要有一套好的工具才行阿。

關於Anaconda的介紹，小編在之前的文章中已經提過了，因此在這裡只針對vscode做介紹，還沒看過的朋友們可以點擊以下連結觀看
Anaconda 介紹與安裝

1.創造環境

裝完Anaconda後可以隨意創造多個獨立的python環境，只要執行以下指令即可，env_name填入想要的環境名稱以方便做辨識，然後再接上想要的python版本

create environment

conda create -n env_name python=3.5

k-means

kmeans 是一個聚類演算法，當給一堆資料做 K 個分類時，kmeans 演算法能根據群中心點與資料點的距離一步一步的疊代算出最適合的分群聚落，主要目的就是最小化下面的error。其中公式i代表所設定的K群中的其中一群，公式j代表所有點中的某一點，因此用白話文解釋為算出群落中的中心點與那個族群的所有點的距離加總，第二個加總符號表示每一群都做距離加總然後把它全部加起來。

Total error:

算法原理:

接下來講解步驟原理，步驟只有三個，剛開始先亂數決定每個群的中心點，再來將每個資料點根據選定出的群中心點做匹配的動作，之後根據新選定的群更新成新的中心點，一直重複上面兩個步驟直到收斂，底下是圖解說明，圖片來自圖的下方部落格連結。

https://dotblogs.com.tw/dragon229/2013/02/04/89919

應用:

下面將利用sklearn提供的kmeans工具對Iris Data進行分類的動作

Google free GPU

最近Google 很佛心的提供免費的GPU-k80供大家使用，只要擁有Google drive帳號即可使用Colabortory 程式開啟 jupyter notebook來編寫程式碼並調用Google 提供的GPU使用。不過這僅適用於小實驗，因為這服務只能讓你使用連續12個小時，12個小時後就會斷開連線並把資源釋放出來給其他人使用，如下圖。

創建 colabortory程式

https://colab.research.google.com/
要使用colabortory程式非常簡單，只要到以上網站隨便新增一個notebook

雲端硬碟中就會新增一個叫做Colab Notebook的資料夾

人人都可跑 AlphaGO Zero

如今人工智慧崛起，各式各樣的AI產品不斷的推陳出新，而領先世界潮流的正是Google 收購的公司 DeepMind，自從AlphaGo打敗李世石之後，全球圍棋界為之震驚，但DeepMind沒有停止研究腳步，過一陣子就創造出更強的圍棋程式Master，在圍棋網站上痛宰60個圍棋九段頂尖高手，不久之後更強的圍棋程式AlphaGoZero出現了，不像從前的版本是靠人類的棋譜學習的，AlphaGoZero像武俠小說的周伯通一樣學習左右互博術，僅僅依靠唯一的圍棋規則就可自我學習並變得越來越強，甚至還推翻了流行近代的定式，就連目前最頂尖的職業棋士-柯潔都自嘆不如，原本Google是不打算開源程式原始碼的，但他們有發論文在科學雜誌上，頂尖高手馬上就複製一個同樣的演算法出來讓大家免費使用。

論文:Mastering the Game of Go without Human Knowledge - DeepMind

今天小編要介紹給大家的是網路上開源的圍棋電腦軟體 Leela，有各式各樣的版本
Leela的官方網站:https://www.sjeng.org/leela.html

總共有兩種版本的，一個為GPU，另一個是普通版，小編稍微測試過在圍棋網上可輕鬆輾壓段位高手

不過這不是小編要介紹的重點，小編今天要介紹的是另一款開源程式Leela 進化版—Leela zero

繼上次分享希平方使用感想後，小編繼續分享另一個產品的使用心得--英語流利說的附加產品--懂你英文，首先，小編要說英語流利說的口語辨識是目前App產品中辨識率最高的，小編已試過許多產品都沒有流利說做得好，基於對流利說的產品信心，小編就買了他們最近推出的產品-懂你英文，標榜全程無字幕學習，聽不懂就是重複聽一直聽到懂，而且廣告中也說此款系統是採用深度學習打造而來，身為已體驗深度學習之魅力者怎捨得放棄這體驗機會呢，況且價格也不貴才200元，因此小編馬上拜託遠方友人幫小編買個一個月試用了，小編試用完後覺得還是有諸多缺點，而且台灣不能購買，必須透過對岸朋友幫忙才行，不過相比於其他產品小編是覺得還不錯。

用深度學習RNN打造得懂你英文

• 首先，剛開始買完後系統會要求您做一次測試，後來小編才知道是這個測試才有用到深度學習預知模型，學習過程中並沒有，這是小編覺得可惜的地方。這個測試系統即使您沒有買懂你英文，單純下載App的時候也可以使用，一開始有兩次免費機會，之後每過三個月會有另一次的免費機會，大家可以去試玩看看，按下圖的英語水平定級測試就可以了。

• 按進去之後總共有兩階段，前面是聽力後面是口說

上面為在 Markdown 文件中 呈現的效果

下面為相應的 markdown code

1.

如果大家有看過我之前寫的文章

應該就知道這是一個提供很多環境讓你測試演算法的平台

今天就來詳細介紹一下使用方法

完整程式碼如下:

自從  google 的 DeepMind 公司做出

AI 打 Atari 遊戲的影片之後

深度學習就一直很流行

底下就是紅透半邊天的影片

step1:下載原始碼

http://www.swig.org/survey.html

填個問券 就可以下載了  主要是在調查 您即將要把swig 用在哪種語言上

Tesla 創辦人 Elon Musk 打造人工智慧健身房，讓人工智慧「自己幫自己練強壯」
OpenAI Gym 是由 Tesla 執行長 Elon Musk 創立。開發者可上傳自己的人工智慧數據演算法到 OpenAI Gym，測試其演算法效能，並與其他開發者交流。OpenAI Gym 提供各種測試環境，例如數學計算、物體控制、圍棋與電子遊戲。人工智慧系統能透過不斷測試，提高能力。目前此環境支援的程式語言為 Python，未來也將支援其他語言。

由於小邊做了一隻Linux 的 隨身碟

長年累月下來資料頗多  深怕一個不見阿 決定做個備份起來

查找網路上有多項工具  有imageUSB  ghost...等

如果你常寫程式 想必一定常常遇到 像小編的這種情形吧

為了怕後來寫的程式 寫到最後出現莫名的bug時

這時都會做一份之前版本的程式備份 以備不時之需

所以就會出現如下圖這樣 好多份壓縮檔

但其實都只有改一點點