人工智慧再突破!輕鬆解碼馬賽克!

人工智慧再突破!輕鬆解碼馬賽克!
人工智慧再突破!輕鬆解碼馬賽克!

人工智慧再次大突破,輕鬆解碼還原高解析!

 


▲ AI 技術 「PULSE」 可將模糊的馬賽克照片轉換成看起來像真人的高解析度肖像。 該系統能自動將任何圖像解析度提高到64倍,並模擬毛孔、睫毛位置與形狀等在原圖無法辨識的細節。

 

人工智慧用於「有碼變無碼」方面已有相當多的研究成果,例如之前 Google Brain 發表了透過機器學習消除馬賽克、提高像素的技術。而最近,AI 在去除馬賽克的技術又有了新的突破!

近日杜克大學的研究人員開發了一種 AI 影像還原工具,可將模糊到無法辨識的人像轉化為令人信服的高清圖片,而解析度與細節的表現可說是史上最強!

以往的技術,可將圖像的解析度提高至八倍。但是杜克大學的研究團隊想出了一種人工智慧的解決方法:只需要少少像素的模糊照片,就能創造出解析度高達 64 倍逼真的高清肖像,原圖看不到的細紋、睫毛以及鬍渣等細節都能夠一覽無遺!

「過去從未能在這樣的解析度(指原圖的低解析度)上,生成如此高清、如此多細節的圖片!」此次研究團隊的領導人──杜克大學的電腦科學家 Cynthia Rudin 說。

不過這個系統仍然無法用做人物辨識,研究團隊說:它沒辦法將監視器拍到的失焦或是無法識別的照片變成真實、清晰的圖像。相反地,它可以生成不存在、卻看起來真實的新面孔。

「研究員們專注於將這些面孔作為新的概念,但理論上,該技術可在拍攝幾乎所有物體的低解析度照片後,製作出清晰逼真的圖像。應用範圍涵蓋醫學,顯微鏡,天文學和衛星圖像。」 研究團隊的 Sachit Menon 說。

▲ 人工智慧「PULSE」能還原眼、口、鼻等部位都難以辨識的馬賽克圖片,並將原圖的解析度拉高至 60 倍!

 

傳統的影像修復方式為擷取低解析度的圖像後,將它與電腦之前看到的高解析度圖像的對應像素,試著撮合、匹配、平均化,藉此來補足像素。

這種「平均化」的結果是,頭髮和皮膚中的紋理區域可能無法從一個像素到另一個像素完美對齊,最終看起來模糊且朦朧。

杜克大學的團隊就不使用這種「在低解析度的照片上慢慢加新的細節」的方式。他們研發的系統 「PULSE」 會在人工智慧生成的高解析度率臉孔範例中,盡可能找到最像的──在範例臉孔縮放到相同尺寸時,看起來像輸入的原圖的人臉。

團隊使用一種機器學習的工具「生成對抗網絡(英語:Generative Adversarial Network,簡稱GAN)」,方法是使用相同的照片組訓練兩條神經網路。其中一條神經網路產生了人工智慧創建的人臉──其外觀是模擬訓練照片上的臉孔;而另一條網絡則用於判斷第一條生成的結果,是真實的人像還是虛擬人物。第一條網路不斷生成人臉,直到越來越逼真,以至於第二條誤認成是真實的人像為止。

PULSE 可將模糊不清、充滿雜訊或是馬賽克化的圖片,生成高擬真的照片。從一張模糊的肖像中,它可以生成許多令人難以置信、栩栩如生的照片,每張照片都不一樣,都是 PULSE 判斷模糊照片中的人物可能的真實樣貌。

即使是給眼睛與嘴巴幾乎看不到的馬賽克照片,「我們的演算法仍然可以用它來生成一些照片,而這是傳統方法無法做到的。」團隊中的 Alex Damian 說。

▲ PULSE 的 5 位研發成員將自己的照片「馬賽克化」後,「餵」給 PULSE 來還原照片。雖然 PULSE 合成的高清肖像與原本的有點出路,但是相似度已比過往的解碼方法還高,解析度更是高出許多。

 

該系統能在短短幾秒內,將 16×16 像素的肖像轉換成 1024 x 1024 像素,增加了超過一百萬的像素,幾乎等同於 HD (High Definition) 高畫質的解析水準。諸如像是毛孔、皺紋、髮絲等低解析照片無法察覺的細節,都在人工智慧生成的照片中,變得銳利而清晰。

研究團隊還邀請了 40 個人,對經由 PULSE 以及其他四種方法 (LR、BICUBIC、FSRNET、FSRGAN) 生成的 1440 張圖像,進行 1 到 5 的評分。結果是由 PULSE 生成的照片分數最高,得到了「幾乎與真人的高解析度照片一樣」的評價。

你也可以上載你的圖像,看看會被 PULSE 生成哪些驚人的結果:http://pulse.cs.duke.edu/.

 

 

 

 

 

推薦文章:
六個月從工地工人轉職 Java 軟體工程師,全因半年做了「對的決定」


Python vs R語言:哪個比較適合人工智慧/機器學習?


台灣本土開發AI 發行首張音樂專輯<<武漢肺炎>>


線上職訓正夯 從零開始花半年錄取軟體工程師


連重機賽車手冠軍都佩服的存在!人工智慧做到了!


太難過!!人工智慧傳教士陳昇瑋英年早逝!


就算是夢也有機會成真?!人工智慧組隊打職棒再也不是夢?(上)

 

人工智慧與汽車雷達攜手合作!開車安全又放心!

 人工智慧與汽車雷達攜手合作!開車安全又放心!
人工智慧與汽車雷達攜手合作!開車安全又放心!

人工智慧跟汽車雷達合作!開車再也不用擔心視線死角?!

普林斯敦大學的研究團隊將人工智慧與用於追踪超速駕駛的雷達結合,開發出一種系統,該系統可使車輛發現街角轉彎處隱藏的危險,如下圖所示:

▲ 普林斯敦大學的研究團隊結合人工智慧雷達,開發出可使車輛發現轉角隱藏危機的系統

 

研究人員利用常用來追蹤超速駕駛和快速直球的測速雷達,結合人工智慧技術,開發了一種自動化系統:可以讓汽車在街角轉彎處監視四周環境、發現迎面而來的車輛、行人。

這個系統易於整合到汽車上,使用都卜勒雷達(註:Doppler radar,一種雷達,可以利用都卜勒效應,測量物體在雷達波方向上的徑向運動速度,常用於氣象觀測與測速。)將無線電波從建築物、車體的表面反射回去。

雷達訊號會以特定的角度,照射到物體表面後反射回去,就像是撞球的白色母球撞擊到球台壁後反彈回去一樣。雷達訊號會持續照射藏在街角轉彎處的物體,然後反射回來的訊號會被車上安裝的探測器偵測到,使系統能看到轉角的物體,並且判斷它是在移動還是靜止。

「這將使汽車偵測到今日許多光學雷達 (lidar) 與相機的感光元件無法記錄到的被遮蔽物,例如,讓一台自駕車在十字路口上環顧四周的危險物體,」普林斯頓大學的電腦科學助理教授、也是此次研究人員之一的 Felix Heide 說:「雷達感應器的成本也相對較低,尤其是與光學感應器相比,而且也可以量產。」

研究人員在 6 月 16 日的電腦視覺與模式識別(CVPR)會議上發表了一篇論文,提到這個系統如何分辨汽車、自行車以及行人,並判斷他們的方向以及迎面而來的速度:「我們提出的方法能在現實世界的自駕情境中,在視線感應器偵測到他們以先,就為行人以及騎自行車的人預先發出碰撞警示。 」

近年來,工程師們已開發出許多能讓車子偵測到路上異物的感應系統,但其中有許多都是靠著光學雷達、可見光或是近紅外光的相機,這種防止碰撞的感應器在現代的汽車中很常見。但是光學感應很難發現到汽車視線之外的物體。在早些的研究中,Heide 的研究團隊曾使用光照來看見藏在角落的物體,但卻很難應用到汽車上,因為需要高功率的雷射且僅限於近距離使用。

 

 

近年來工程師們已開發出許多能讓車子偵測到路上異物的感應系統,但其中有許多都是靠著光學雷達、可見光或是近紅外光的相機,這種防止碰撞的感應器在現代的汽車中很常見。但是光學感應很難發現到汽車視線之外的物體。在早些的研究中,Heide 的研究團隊曾使用光照來看見藏在角落的物體,但卻很難應用到汽車上,因為需要高功率的雷射且僅限於近距離使用。

在過去的研究中,Heide 及團隊人員想知道是否有可能創建一個系統,使用成像雷達而不是可見光,來檢測汽車事件之外的危險。對於雷達系統,在平滑表面上所耗損的信號自然是少得多了,且雷達是被證實可以用來追蹤物體的科技。他們所面臨的挑戰是,當雷達用於拍攝轉角處的汽車與自行車等物體時,其空間分辨率相對較低。然而,團隊相信他們可以開發出演算法來解譯雷達數據,以讓感測器發揮功效。

「我們開發的演算法可以說是很有效、而且適合當代的汽車硬體系統」Heidi 說:「所以你可能會看到這項科技出現在下一代的汽車上。」

為了讓這個系統能分辨物體,Heide 的團隊處理了部分雷達信號,亦即能將背景噪音視為非可用信息的一般雷達。團隊應用了人工智慧技術來優化處理程序以及讀取影像。論文作者之一的 Fangyin Wei 表示:運行該系統的電腦,必須學會從非常少量的數據中,識別出騎自行車的人和行人。

她說:「首先,我們必須要偵測是否有物體。如果有的話,那他是否重要?是否為騎單車的人或是行人?接下來,我們就要將其定位出來。」 Wei 還表示:該系統目前能夠檢測到行人和騎自行車的人,工程師們都認為他們是最具有挑戰性的物體。因為他們的尺寸小、形狀不一、動作多樣。當然,該系統也能偵測到汽車。

Heidi 說,研究人員計劃在雷達和信號處理改善等多種應用上,進行研究。他說這個系統絕對擁有完全改善汽車安全的潛力,且它是靠著現有的雷達傳感器技術就可做到,因此下一代汽車可望能部署雷達系統。

「這肯定會經歷到非常嚴峻的汽車開發週期」他說:「就整合與推向市場而言,它需要大量的工程與設計。但是技術已經準備就緒,因此我們可能很快就會在汽車上見到這樣的景況。」

推薦閱讀:AI 自駕車不只有特斯拉!9 個人工智慧帶來的汽車產業革新

 

 

 

推薦文章:
線上職訓正夯 從零開始花半年錄取軟體工程師


六個月從工地工人轉職 Java 軟體工程師,全因半年做了「對的決定」


台灣本土開發AI 發行首張音樂專輯<<武漢肺炎>>


Python vs R語言:哪個比較適合人工智慧/機器學習?


視障朋友的希望!Google人工智慧眼鏡帶你看世界(上)


人工智慧又有新招?!機器人應援棒球賽竟還能打棒球?!(上)


狗狗也能當老師!人工智慧機器人學會轉彎還會小跑步!(上)

 

疫情期間社交距離怎麼算?人工智慧來把關!

疫情期間社交距離怎麼算?人工智慧來把關!
疫情期間社交距離怎麼算?人工智慧來把關!

人工智慧為你把關社交距離,讓你就算疫情出門也能很放心!

AI 大神」吳恩達旗下公司 Landing AI 開發的「社交距離檢測工具」,則是另一項與疫情有密切關係的 AI。

為了幫助疫情期間依然得持續工作、因某些原因非得外出的民眾以及阻止疾病蔓延,Landing AI 開發了最新 AI 工具確保大家能維持社交距離,該工具利用攝影機拍攝的即時影像,並同步分析檢測在公共空間的人們是否處於安全距離。

這款 人工智慧 工具會偵測所有經過空間的行人,並在每個人身上畫出一個綠色方框,當有人靠得太近,框框就會變成紅色,在靠得太近的兩人之間畫出紅線,並發出警訊,提醒人們遵守安全社交距離規定。

 

▲ 影片中可以看到探測器偵測每個行人,距離過近就會被標上紅框

 

根據Landing AI 公開的演示,人工智慧 運作需要經過「校正、檢測、測量」三個步驟。

第一步「校正」為將透視圖轉換為俯視圖。最簡單的標定方法是在透視圖中選擇四個點,將其映射到俯視圖中矩形的角上。

▲左邊為原始透視圖,覆蓋著校正網格;右邊是鳥瞰圖,街道兩邊完全平行於綠色網格。圖片為 Landing AI 官網示意圖。

 

第二步「檢測」,為將檢測到的行人應用於透視圖上,在每個行人周圍繪製邊框。為了簡潔化,團隊使用基於 Faster R-CNN 的開源行人檢測網絡。為了清理輸出的邊框,團隊使用最小化後處理,如非極大值抑制(NMS)和各種基於規則的啓發式算法,並選擇基於現實假設的規則,減少過度擬合的風險。

第三步「測量」,給定每個人的邊框。由於在「校正」那一步輸出針對地面的變換,需要將所述變換應用到每個區域的底部中心點,從而得到他們在俯視圖中的位置。

 

▲距離過近的人們除了顯示紅框外,也會多顯示出一條線以強調。

 

最後測量出人與人之間的距離,並根據校正估算出的係數縮放距離。用紅色方框標注出安全距離以內的人們,並在兩者之間畫一條線來強調。

即使 Landing AI 強調使用使用這款工具應該公開透明,且必須事先取得被監控人的同意,同時也稱該系統不會辨識個人身分。但仍然有不少評論顯示出對影像監控工具的擔憂。有些評論表示,如果是在工作場域,即使員工不同意老闆使用這款工具也很難提出反對意見。

但 Landing AI 的最初的目的是為了在疫苗研發出來之前,盡可能透過保持社交距離來抑制疫情的蔓延,而 AI 對影像分析與追蹤技術的發展助益,無疑為未來的公衛領域拓展出新的可能,在考量隱私和個人權利問題時,也應該要正視科技增進了全體人類的福祉,以免因噎廢食。

推薦閱讀:【AI在瘟疫蔓延時】台灣 AI「雅婷」化身音樂家 發表首張專輯「武漢肺炎」

 

 

 

 

 

 

 

推薦文章:
Python vs R語言:哪個比較適合人工智慧/機器學習?


線上職訓正夯 從零開始花半年錄取軟體工程師


AI 人工智慧、ML 機器學習、深度學習、Python 是什麼?


台灣本土開發AI 發行首張音樂專輯<<武漢肺炎>>


人工智慧不用擔心被騙!捷克新創AI,輕鬆揪出金融駭客(上)


人工智慧MOTOBOT存在,竟然讓重機賽車手冠軍都備感威脅?!


Python與人工智慧關係匪淺!?聽說和大數據還有一腿!?

 

人工智慧結合時事”武漢肺炎”,發行首張音樂專輯!

人工智慧結合時事"武漢肺炎",發行首張音樂專輯!
人工智慧結合時事”武漢肺炎”,發行首張音樂專輯!

人工智慧化身音樂家,發行首張專輯”武漢肺炎”,一起來聽看看吧!

當疫情重創全球經濟與人們生活,好在有成熟的科技,可以讓各國利用人工智慧技術來監控病情,並且協助疫苗研發等相關醫療用途。

除此之外,還有許多處於疫情之下開發的 AI 技術,有的為大家舒緩緊張的情緒;有的則替大家的社交距離把關。這些 AI 技術的創新、突破與拓展,為這艱困的時期為人們帶來一絲光明。

從歌名、譜曲到封面 台灣 AI 創作出一整張專輯

AI 生成的作品,到底是不是真正的創作?這是個見仁見智的問題。

但可以知道的是,越來越多文化藝術機構、個人藝術家開始擁抱 人工智慧,特別是疫情之下,急需要藝文撫慰人們心理、穩定不安情緒。

由 PTT 創辦人杜奕瑾領軍的「Taiwan AI Labs台灣人工智慧實驗室」,正是在疫情之時推出台灣第一張全 AI 生成的音樂專輯《武漢肺炎》。

這個 AI 有個非常台灣味的名字,名叫「雅婷」。杜奕瑾表示,因為她是土生土長、從 PTT 鄉民語言學習語言模型的台灣 AI,故選了這個台灣最通俗的名字。

 

▲ 土生土長的台灣 AI 雅婷,是此次專輯的「鋼琴師」。

 

推薦閱讀:記者、業務、會議紀錄的救星-台灣本土 AI 語音辨識 「雅婷逐字稿」

「雅婷」應用同樣由 Taiwan AI Labs 開發的深度學習模型「Pop Music Transformer」聽了上百首熱門鋼琴音樂後,對和弦、旋律、音調、配器等各種層面進行機器學習分析,最後創作出了九首曲子。

音樂由 AI 全自動生成,完全不需要人工輸入任何和弦進程。而且,不需要後期處理步驟來完善所生成的音樂。該模型學習就能自動生成富有表現力和連貫性的音樂。

▲ 《武漢肺炎》專輯共九首曲子,是台灣有史以來第一張全部 AI 生成的音樂專輯。。

 

細看樂曲名稱,可以發現每一首曲都名各自展現了疫情的不同面向外,同時也和疫情息息相關。

Taiwan AI Labs 表示,這些歌曲名稱來自「島民衛星」,是同為 Taiwan AI Labs 所開發之新聞資訊平台,觀測 18 家電子媒體全類別新聞報導。島民衛星團隊抓取疫情中台灣媒體最常使用的詞彙,再將這些詞彙排序使用,一個歷歷在目的疫情發展史便躍然眼前。

最後是曲目的封面,同樣是 AI 雅婷創作而成。除了專輯封面與〈COVID19(武漢肺炎)〉的圖片,是由實驗室醫療組提供的病毒基因與藥物分子合成的模擬圖生成之外,另外 8 首歌曲的圖片,是雅婷學習分析了大量藝術作品後的「創作」成果。

▲ 專輯即日起可在KKBOX上點擊聆聽。截圖自KKBOX。

 

專輯上架到 KKBOX 後,Taiwan AI Labs 也邀請社會大眾聆聽,並表示團隊會將 KKBOX 點擊聆聽次數的分潤再加碼 2 倍,捐給第一線醫療機構。

推薦閱讀:台灣研發AI走進加護病房 預測敗血症準確率達八成五

 

 

 

推薦文章:
台灣本土開發AI 發行首張音樂專輯<<武漢肺炎>>


Python vs R語言:哪個比較適合人工智慧/機器學習?


AI 人工智慧、ML 機器學習、深度學習、Python 是什麼?


線上職訓正夯 從零開始花半年錄取軟體工程師


保護地球靠AI!效率竟比人類快3000倍?!(上)


連重機賽車手冠軍都佩服的存在!人工智慧做到了!


向狗狗學習!人工智慧機器人不僅會左轉右彎還會小跑!(上)

 

農家子弟半年成功轉職Java工程師?!成功背後的祕密竟是…?

農家子弟半年成功轉職Java工程師?!成功背後的祕密竟是...?
農家子弟半年成功轉職Java工程師?!成功背後的祕密竟是…?

沒想到零基礎的他靠半年成功轉職Java工程師?到底是怎麼辦到的?!


▲ 吳先生在來達內上Java課程、轉職軟體工程師前,曾因傷返鄉休養、順便幫家裡種田(示意圖,非本人)

 

大學畢業後負傷返家 重新思考職涯方向

農家子弟吳同學十分熱愛運動,但是在大學畢業前卻因不小心受了傷,造成行動不便。畢業後,吳同學決定先回家專心養傷再決定未來的方向。

吳同學家中務農,因此常需要幫忙種田。但是負傷種田,對吳同學可以說是很大的負擔,吳同學就決定找不需常用到體力、收入又穩定的工作。軟體工程師的工作,就非常符合吳同學求職的方向。

在一次偶然的機會下。吳同學得知達內教育有針對 IT 產業,做從無到有的職前培訓。而台灣業界最盛行的程式語言是 Java,對此方面的人才需求量高。吳同學毅然決然下定決心,報名達內教育的 「Java就業班」,從零開始,密集學習 Java 程式語言的技能。

半年衝刺有成,面試大放異彩

達內教育會在學員結業前夕,要求學員們在教務團隊的輔導之下,獨立完成業界專題,做為求職的作品集。

 


▲ 科技公司來達內教育集體面試Java工程師,吳同學在其中。

 

吳同學與同期的學員們在近來達內學習半年後,都花了千辛萬苦,在團隊的輔導之下完成各自的作品集、準備好自己的履歷,吸引了兩間科技公司來達內「獵才」。

這兩間公司的面試主管,親自來達內教育「集體面試」。吳同學也是 5 個面試者個其中一人,跟其他中途轉業的面試者比起來,算是比較年輕的。其中一間公司專替金融機構做軟體開發與維護,這些軟體需要有高度的保密性,才能防止駭客入侵而取得客戶資料,剛好符合吳同學的志趣所在。

面試官問吳同學:「既然同樣是幫金融機構撰寫軟體,為何不選擇直接去銀行面試?」

吳同學表示:「在達內學習的期間,也有金融機構的朋友請他過去幫忙維護 Cobol (註:一種古老的高階程式語言,現今台灣不少銀行-尤其是傳統的那幾間,仍因機器老舊的緣故,所以只能使用 Cobol 語言。)。但是隨著網銀、金融科技及 App 等新型態的銀行網路系統功能逐年提升,Cobol 語言很快就會面臨被 Java 取代的窘境。」

今日大多數銀行,雇用的資訊人員仍以,Cobol 工程師為大宗,所以當需要新型態的網路銀行、App 等系統則,還是得委託坊間的科技公司撰寫維護。但是吳同學的人生才要開始,若讓他直接去當 COBOL 人員可能面臨跟其他資深 COBOL 工程師一樣,幾年後就必須退下的窘境。所以吳同學表示:「若能透過達內教育學習 Java 課程並參與就業媒合,則可直接進入 Java 業界。」

「當寫出來的程式可運行的那一刻,我就不覺得痛苦了」

在面試中,吳同學不斷強調學習 Java 課程讓他感到很有成就感,甚至說:

「當我寫出來的程式,可以運行的那一刻時,我就不會覺得長時間與電腦為伍痛苦了!」

吳同學陽光、積極的笑容與態度,彷彿他的體傷不存在般。他只為了學會 Java 技能並得到想要的工作而充滿感恩,面試主管也被吳同學的正能量感染,自然而然,吳同學順利拿到了 Java 工程師的 offer!
 

 

推薦文章:
Python vs R語言:哪個比較適合人工智慧/機器學習?

六個月從工地工人轉職 Java 軟體工程師,全因半年做了「對的決定」

如何使用人工智慧工具,活用 Python 簡化繁瑣的行銷工作?

台灣本土開發AI 發行首張音樂專輯<<武漢肺炎>>

狗狗也能當老師!人工智慧機器人學會轉彎還會小跑步!(上)

Goolge人工智慧眼鏡,讓視障朋友看見世界的美!(上)

天妒英才!!人工智慧頂尖專家陳昇瑋離世!

業務主管成功轉職Java工程師!笑說”再也不用靠人脈了!”

業務主管成功轉職Java工程師!笑說"再也不用靠人脈了!"
業務主管成功轉職Java工程師!笑說”再也不用靠人脈了!”

自從轉行當Java工程師後,總算不用再靠人脈過生活了!


▲ 謝先生在來達內上課轉職前,是天天拜訪客戶的保險業務(示意圖,非本人)

 

「有時離成交,真的就只差那麼一點點運氣!」

謝先生是某保險公司的業務主管,帶領一群菁英業務團隊,成天在外積極拜訪、服務客戶。但是…

「有時離成交,真的就只差那麼一點點運氣!」謝先生感嘆說:「然而這個運氣也不是掌握在自己身上。」

謝先生覺得技術性的工作穩定性高,決定學一技之長。「也許花些時間,上個像是 Java 課程等的自我投資,就可以脫離看天吃飯的日子。」

穩定「師字輩」工作 轉職門檻高

閱人無數的謝先生,有不少「師」字輩的客戶,如會計師、律師、醫師、工程師等。他們的的收入不只穩定,還比大多數人高。

然而這些職業的養成並非一朝一夕,許多都要在大學本科系就讀至少四年,還要有實習經驗才行。

轉職工程師 進可攻退可守-可接案可就業

好在達內教育有針對「師字輩」工作中的「工程師」開設 6~9 個月左右的養成班,他們跟其他以學術性的「考到證照」為訴求的補習班不同,主打的是就業的「即戰力」。「結業即就業」是他們的招牌。

至於程式語言這麼多、謝先生要選哪個從頭開始學起?

達內教育的顧問就告訴謝先生:目前台灣的就業市場中,對於 Java 技能的需求最多。於是謝先生就選擇 Java 課程來自我投資。

為何選擇達內教育?

然而開設 Java 課程的同業如此多,謝先生貴為保險公司的主管,懂得如何選擇高 CP 值、低風險的標的,為何會選擇在台灣開業沒有很久的達內教育?

【教學方向】 就業導向 vs.考照取向

因為大部分的補習班教學為學術導向的「考取證照」,老師教的內容都會以考題為主,跟產業的實務需求說實話有一定的差距。

【結業作品】 獨立完成 vs.輕鬆分工

而某間也有產學合作、也是主打「就業」的競品,期末驗收專案都是「分工完成」的,也就是每個人都只要負責一部分就好!這樣下來,就算做出完整的作品,每個人也都只熟悉整個專案的一部分。「但是你的同梯學員是不可能跟你一起到同間公司工作!」

達內教育對學生的要求是「一人獨力完成一個專案」,老師也會從旁輔導。過程雖然比較辛苦,但是所有的部分都完成後,「全部都是自己會的」!帶著自己一手打造完成的企業及專案面試,「比較有把握,也不怕被面試主管問倒…因為通通都是自己親手完成的」

背水一戰 零基礎挑戰 Java 就業

謝先生選擇了 Java 就業課程,決定背水一戰!連續六個月,每天從早上九點到晚上六點,都在達內教育內密集學習、衝刺。一有問題,馬上詢問隨時待命的輔導老師。經過了半年的磨練之後,謝先生也在達內教育安排的面試媒合中大放異彩,順利接到某科技公司的 offer。

面試時大放異采 順利轉職 Java 工程師

本職為保險業務的謝先生,除了獨力完成的專案外,出色的表達能力很快就在集體面試中,獲得面試主管的注意。

面試主管對於謝先生過去的保險業務工作感到好奇,問:「過去你帶領一群團隊,這麼優秀的主管,怎會想要轉職工程師?」 謝先生不禁無奈地回答:「成交所倚靠的人脈、運氣太重。所以想多個就業技能。」

也許當 Java 工程師沒辦法像保險業務般,遇到一次大客戶就可急速發財;但每個月都有固定薪資進帳,而且所得比大多數上班族優渥,再加上外接案子的收入,總進帳可是不容小覷!更棒的是,不用看天吃飯、不需再為人脈的流失而患得患失了!

 

上一篇:當初的我是工地做工的人 現在的我是財管軟體開發

下一篇:44歲媽咪順利轉職網頁設計師 家庭事業都得意

 

 

 

 

 

推薦文章:
如何使用人工智慧工具,活用 Python 簡化繁瑣的行銷工作?


六個月從工地工人轉職 Java 軟體工程師,全因半年做了「對的決定」


Python vs R語言:哪個比較適合人工智慧/機器學習?


台灣本土開發AI 發行首張音樂專輯<<武漢肺炎>>


保護地球靠AI!效率竟比人類快3000倍?!(上)


人工智慧又有新招?!機器人應援棒球賽竟還能打棒球?!(上)


人工智慧反詐騙成功!捷克新創AI,揪出金融駭客不費力!(上)

 

輕鬆搞定機器學習-非監督式學習篇(下)

輕鬆搞定機器學習-非監督式學習篇(下)
輕鬆搞定機器學習-非監督式學習篇(下)

搞定機器學習其實一點也不難,前提是要用對方法!(下)

 

本篇為下篇,上篇請點此連結

二、非監督式學習

1. 隨機森林(Random Forest)

隨機森林可以視為決策樹的延伸,可以把隨機森林當作是多個決策樹組合而成,並加入隨機分配的訓練資料,以大幅增進最終的運算結果。其想法就是結合多個「弱學習器」(即決策樹)來建構一個「強學習器」模型。這種方法被稱為「集成」(Ensemble Method)。同時也能降低單個決策樹出錯的風險。

▲ 決策樹演算法示意圖

 

如果創建一個隨機森林模型預測數值,只有第三個決策樹預測為 0,但是如果整合所有決策樹的結果,將會判斷出預測值是為 1。

隨機森林的優點為可以處理大量的輸入變數,同時可以計算各例中的親近度,對於資料探勘、偵測離群點和將資料視覺化非常有用。

2. 聚類分析(Cluster analysis)

聚類分析是統計資料分析的技術,後來在像是機器學習等領域受到廣泛應用。「聚類」是把相似的物件通過靜態分類,分成不同的組別或子集(subset)。聚類有很多種方法,常見的如 K-means、層次聚類(Hierarchical clustering)、譜聚類(Spectral Clustering)等等。

▲ 「聚類」是把相似的物件通過靜態分類,分成不同的組別或子集 (圖片來源: geeksforgeeks.org)

 

聚類時,把需要實現的目標只是要把相似的東西聚到一起,一個聚類算法只需要知道如何計算相似度就可以開始分類,因此聚類算法並不需要使用訓練資料進行學習。

3. 主成分分析(Principal Component Analysis,PCA)

主成分分析 PCA 是一個在機器學習與統計學領域中被廣泛用來分析資料、降低數據維度以及去關聯的線性降維方法。降維(Dimension reduction)是當資料維度數(變數)很多的時候,嘗試讓維度數(變數)少一點,但資料特性不會差太多的方法。

機器學習使用 PCA 達到降維的目的,主要是為了避免「維數災難」,或稱「維度詛咒」,指當維度增加時,分析和組織高維空間因體積指數增加而遇到各種問題:在機器學習問題中,模型預測能力會隨著維度的增加而減小。

4. 奇異值分解(Singular Value Decomposition,SVD)

奇異值分解 SVD 是線性代數中一種重要的矩陣分解,不僅可以用於降維演算法中的特徵分解,還可以用於推薦系統以及自然語言處理等領域。

▲ 實數 2×2 矩陣 M 的奇異值分解 UΣV * 的圖示。(圖片來源:圖片來自 Wikipedia)

 

SVD 矩陣是一個複雜的實復負數矩陣,給定一個 m 行、n 列的矩陣 M,則 M 矩陣可以分解為 M = UΣV。U 和 V 是么正矩陣(unitary matrix),Σ 為對角陣。

SVD 在某些時候可以做為簡化版的 PCA 利用。PCA 演算法可以不用做特徵分解,而是做 SVD 來完成,在樣本量很大的時候很有效。實際上 Python 的免費機器學習庫「scikit-learn」的 PCA 演算法的背後真正的實現就是用 SVD。

獨立成分分析(Independent components analysis,ICA)

ICA 是一種利用統計原理進行計算的方法。前面在主成分分析(PCA)時談到「降維」的方法,但對符合高斯分佈的樣本點比較有效,那麼對於其他分佈的樣本,則是適合用「主元分解」的 ICA。

ICA 會假設現有資料其實是多個彼此獨立的資料、透過混合後成為現有資料,因此期望能夠從手中的資料,回推出是哪些獨立的分配。例如 ICA 的經典問題「雞尾酒會問題」(cocktail party problem):描述給定混合信號,如何分離出雞尾酒會中同時說話的每個人的獨立信號。

▲ ICA 的經典問題「雞尾酒會問題」示意圖:目的是從混合信號 Mixture1 和 Mixture2 中恢復成每個人的獨立信號 Person1和Person2。(圖片來源:vocal.com)

 

ICA 是研究盲信號分離(blind signal separation)的一個重要方法,並且在實際中也有很多應用。

為何使用 Python 學機器學習、而不是 R 語言?

介紹完當今應用最廣泛、最熱門的幾大機器學習演算法,可以看出從數據分析、統計分析到模型驗證等等都應用在其中。

Python 可以說是簡單上手的程式語言,原本就適合作為第一個入門的程式語言,而透過如 scikit-learn 的 Python 機器學習套件,在 Python 中提供大量常見的機器學習演算法和許多實用的函式庫,亦能呈現該演算法資料輸出的型態,相當方便。

當然 Python 和 R 語言不是互斥,許多工程師也是在兩者之間切換,但是有鑑於 Python 是當今的通用語言,除了AI人工智慧領域外也可以廣泛應用在各種領域,其免費及開源的特性, 有許多支持 Python 的輔助工具、大型模組與函式庫,可以簡單上手數據分析或複雜的程式計算,以及能與幾乎所有現代作業系統兼容等的特點,讓它脫穎而出。

以投資報酬率而言,如果是要從頭開始選擇一種程式語言學習,Python 肯定是最佳的選擇。

推薦閱讀:Python vs R語言:哪個比較適合人工智慧/機器學習?

 

 

 

 

 

推薦文章:
如何使用人工智慧工具,活用 Python 簡化繁瑣的行銷工作?

Python vs R語言:哪個比較適合人工智慧/機器學習?

六個月從工地工人轉職 Java 軟體工程師,全因半年做了「對的決定」

台灣本土開發AI 發行首張音樂專輯<<武漢肺炎>>

穿戴裝置潮流正夯,人工智慧眼鏡如何改造你我世界?!(上)

拯救地球靠AI?!保護環境還比人類快?!(上)

學Python到底有什麼好?三大好處報你災!
 

輕鬆搞定機器學習-監督式學習篇(上)

輕鬆搞定機器學習-監督式學習篇(上)
輕鬆搞定機器學習-監督式學習篇(上)

搞定機器學習其實一點也不難,前提是要用對方法!(上)

隨著人工智慧的深入發展,沒有學習能力的 AI 侷限性越發明顯,為了突破這個瓶頸,「機器學習」逐漸成為 AI 領域的研究核心之一,也發展出各種機器學習的演算法。

現在有哪些熱門的算法?各有什麼特點?本次就要來盤點幾個常用的機器學習演算法,並告訴你為何機器學習語言要首選 Python

機器學習演算法大致上可以分為三類:監督式學習(Supervised learning)、非監督式學習(Unsupervised learning)與強化式學習(Reinforcement learning)。

本次將會著重介紹「監督式學習」與「非監督式學習」的演算法。

一、監督式學習

監督學習算法可以分成兩個大方向:分類和迴歸。

1. 線性迴歸(Linear Regression)

▲ 線性回歸的視覺化,平面內有一系列點,尋找出一條最能擬合資料趨勢分布的線用來預測新的資料出現的位置

 

線性回歸源自於統計學的方法,透過一個或多個自變量與因變量進行建模的回歸分析。視覺化後如上圖,平面內有一系列點,尋找出一條最能擬合資料趨勢分布的線,也可以用來預測新的資料出現的位置,就叫線性回歸。

在線性回歸中,數據使用線性預測函數來建模,並且未知的模型參數也是通過數據來估計,簡單的線性回歸公式為:

▲ 簡單的線性回歸公式

 

y 是因變量(y)對自變量(x)任何給定值的預測值;B0 是截距,即 x 為 0 時 y 的預測值;B1 是回歸係數–表示期望 y 隨著 x 的增加而改變多少;x 是自變量(期望的變量影響 y);e 是估計值的誤差,或表示回歸係數估計值有多少變化。

2. 邏輯回歸(Logistic Regression)

邏輯回歸延伸自線性回歸,是一個二元分類算法,透過選取不同的特徵與權重來對樣本進行機率分類。

邏輯回歸會使用某種函數將機率值壓縮到某一特定範圍,如 Sigmoid 函數。S 函數是一種具有 S 形曲線、用於二分類的函數。

▲ 邏輯分布函數圖像(圖片來源:Wikipedia)

 

邏輯回歸的輸出變量是離散型(Discrete),而「回歸」輸出變量為連續值。所以實際上雖然叫「邏輯回歸」,但它屬於「分類型」算法,而非「回歸型」算法。

3. 支援向量機(Support Vector Machine,SVM)

支援向量機 SVM 同樣是一個二元分類算法,它可以在 N 維空間找到一個 (N-1) 維的超平面,以使兩類數據之間的餘量最大化。這個超平面可以使兩個類別之間的邊距或距離最大化,平面內如果存在線性可分的兩類點,SVM 可以找到一條最適直線將這些點分開。

除了進行線性分類之外,SVM 還可以使用核技巧(kernal trick)進行非線性分類,將其輸入隱式對映到高維特徵空間中。

▲ 散點圖展示了線性支援向量機核函式的決策邊界(虛線)(圖片來源:Wikipedia)

 

SVM 的應用範圍很廣,如文字和超文字的分類、大規模圖像識別與分類、手寫字型的辨識等等。

4. 樸素貝葉斯分類器(Naive Bayes classifier)

「貝葉斯推斷」延伸自貝葉斯理論,是描述在擁有部分已知條件下,某事件的發生機率。

而在機器學習中,樸素貝葉斯分類器是以假設「特徵之間是獨立的、不相互影響的」的簡單機率分類器,可以直接利用條件機率相乘的方法,計算出聯合機率分布。

貝葉斯公式為:

▲ 貝葉斯公式

 

也可以表示為:

▲ 貝葉斯公式

 

posterior:通過樣本 X 得到參數 θ 的機率,稱為後驗機率。
likehood:通過參數 θ 得到樣本 X 的機率,即似然函數。通常為數據集的表現。
prior:該樣本 θ 機率,稱為先驗機率。
evidence:樣本 X 發生的機率,即為要預測的值。

即使一般現實世界的資料通常無法滿足貝葉斯理論的假設,但樸素貝葉斯分類器卻是相當實用,因其簡單高效,而辨識效能也不輸許多算法繁複的分類器。貝葉斯模型的應用範圍非常廣泛,大數據、機器學習、資料採擷、Python資料分析等領域都會見到。

5. 決策樹(Decision Tree)

決策樹最一開始是作為決策分析中的方法,指的是每個決策都可能引出複數的事件,最後通向不同結果,視覺化後的圖形很像樹的枝幹,故稱決策樹。

而在機器學習中,決策樹是一種用來處理分類問題的樹狀結構,每個內部節點表示一個評估欄位,而每個分枝代表一個可能的欄位輸出結果,每個則葉節點代表不同分類的類別標記。

▲ 決策樹演算法示意圖

 

ID3、C4.5 、C5.0、CHAID 及 CART 都是決策樹演算法的代表。

決策樹的最主要功能,是藉由分類已知的實例來建立一個樹狀結構,並從中歸納出實例裡、類別欄位與其它欄位間的隱藏規則,通常也能利用來做樣本的預測,同時決策樹產生的模型也具有易於解釋的優點哦。

本篇為上篇,下篇請點此連結

 

 

 

 

 

推薦文章:
台灣本土開發AI 發行首張音樂專輯<<武漢肺炎>>

Python vs R語言:哪個比較適合人工智慧/機器學習?

六個月從工地工人轉職 Java 軟體工程師,全因半年做了「對的決定」

如何使用人工智慧工具,活用 Python 簡化繁瑣的行銷工作?

最夯程式語言Python,你夠了解它嗎?!

為何人人都想學Python?看完這三大理由我服了!

地球的救星是AI?!保護環境效率竟比人類強!?(上)

 

還在為行銷傷透腦筋?Python幫你複雜工作簡單做!(下)

還在為行銷傷透腦筋?Python幫你複雜工作簡單做!(下)
還在為行銷傷透腦筋?Python幫你複雜工作簡單做!(下)

善用Python,行銷工作不再傷腦筋!(下)

本篇為下篇,上篇請點此連結

去蕪存菁 簡化你繁瑣的工作

行銷引進 AI 工具,最大的原因在於:可以省去行銷人員不斷執行重複性行為,以及將繁瑣龐雜的工作項目簡化。

Python 具體能怎麼幫助行銷人的呢?

1. 自動化文件管理

其實不只是數位行銷人員,辦公中總會要管理統整各式文件、報表、帳單、網頁、傳真或圖片影片,絕對是一項無可避免的日常性工作。

但大量繁瑣的文書處理工作十分費時,而透過 Python 設計出符合自己需求的「自動整理文件」程式,可以省下大筆時間和精力。例如:

  • 自動整理及分類檔案
  • 重命名多個文件
  • 用指定條件搜尋文件夾或文件
  • 自動填寫資料表單
  • 文件清理

電腦中的好幾百份文件,需要各自進行整理、分類、歸類並檔名……這樣的重複勞動可以用 Python 設計一個輕巧的程式,輕鬆自動完成!

推薦閱讀:Python 變身告白神器、還會幫你整理電腦?6 種 Python 隱藏版技能一次學

2. 不需要套別人行銷管理的模板

數位行銷的管道千變萬化,搜索型廣告、內容行銷、社群行銷、聯盟行銷、通訊行銷、搜尋引擎優化(SEO)等等,有的行銷人便會採用功能強大的工具軟體來統整和管理行銷活動的方方面面。

即使市面上有許多這樣的工具軟體,但為了滿足大多數客戶的需求,裡面的通用模板可能不符合個人要求。在 Python 的幫忙下,就可以為自己量身打造出合適的工具軟體。

3. 追蹤行銷效果

一項行銷活動結束後,必需要追蹤、分析和後續檢討,以便評估這次行銷效益,並且進行各項調整精進。

Python 具有與數據分析、數學計算相關的功能,因此可以輕鬆地開發一些簡易的程式,藉此來分析其中的不同面向。也適合為廣告式行銷設計追蹤用的工具程式。

各行各業都適合 萬用職場加分技

Python 可以說是當今學習工程師的首選,而對於行銷人而言,它可以說是兼顧「自動化重複性任務、數據挖掘及數據分析」功能的理想之選。

但正如各行業皆嘗試導入 AI 應用是勢不可擋的潮流,現今不論從事什麼產業、何種職位,從業務部門到行銷團隊、從管理階層到社群小編,具備程式語言技能也逐漸成為趨勢,不論何種工作,若擁有程式語言知識都會是一項利器。具有程式設計的思維後,在職場往來上也能與工程師溝通順暢,亦能讓從不同角度去思考。

只要有心想學習程式設計,Python 絕對是適合任何人的程式語言入門磚喔!

 

 

 

 

 

推薦文章:
AI 人工智慧、ML 機器學習、深度學習、Python 是什麼?


Python vs R語言:哪個比較適合人工智慧/機器學習?


捷克新創Resistant.AI 開發2產品 揪出欺騙人工智慧的詭計


人工智慧釀酒超越人類 全球首支AI威士忌勇奪金牌


電腦白癡也想當工程師?真心建議先學Python!


想要遠距工作高效率?那你不能錯過人工智慧”番茄鐘工作法”(上)


保護地球靠AI!效率竟比人類快3000倍?!(上)

還在為行銷傷透腦筋?Python幫你複雜工作簡單做!(上)

還在為行銷傷透腦筋?Python幫你複雜工作簡單做!(上)
還在為行銷傷透腦筋?Python幫你複雜工作簡單做!(上)

善用Python,行銷工作不再傷腦筋!(上)

【為什麼我們要寫這篇文章】
身為「最受歡迎程式語言」,上至人工智慧與大數據、下至網頁開發,Python 通通能搞定!
但你知道 Python 在數位行銷領域也掀起了旋風嗎?為何行銷人也紛紛學起 Python?

推薦閱讀:IEEE 2019 程式語言排行榜:Python 蟬連最熱門語言之首

數位行銷(digital marketing)可以說是目前最活躍、增長最快的行銷方式,根據 WiseGuyReports.com 的報告,超過 30 %以上的公司行號,要將近八成的廣告預算都將用在數位行銷上,並且是五年內都規劃如此。

推薦閱讀:網路行銷的7大心法-SEO、SEM、CRO、內容行銷等

當重心都放在數位行銷上,自動化工具和軟體程式等能提高效率、節省成本的「行銷自動化」技術,也順勢成為當前數位行銷領域備受重視的一環。

並且強調代碼可讀性、簡潔的語法和高度易學性的 Python,對於想成為「會程式設計的行銷人」來說,自然會是第一首選。

Python 究竟如何可以成為最佳行銷助手呢?

AI 行銷學 Python 脫穎而出的秘密

程式設計問答網站 Stack Overflow 的最新調查指出,Python 將會在一年內取代 SQL 語言。除了有龐大的市占比,當從事行銷或是數據分析的工作者要學習第一個程式語言,Python 也因以下種種被認為是最佳選擇:

  1. 1. Python 內建大型模組與函式庫,可以簡單上手數據分析或複雜的程式計算
  2. 2. Python 是一種開源語言,可以完全控制原始碼,讓用 Python 編寫自定義程式非常容易,可以根據需要修改自動化工具
  3. 3. 免費及開源的特性,讓 Python 有許多輔助工具、編輯器與 IDE(整合開發環境)
  4. 4. Python 能與幾乎所有現代作業系統兼容
  5. 5. 相比於其他靜態語言,身為動態語言的 Python 語法簡潔、具有較高的彈性
  6. 6. 良好的視覺化能力,輕鬆做到資料視覺化分析

推薦閱讀:連 IBM 都推!入行 AI 人工智慧必學 Python 的 8 大理由

當然對行銷人來說,學習程式語言並不是為了要取代工程師,而是希望能代替自己解決一些邊角卻又耗時的工作。

本篇為上篇,下篇請點此連結

 

 

 

 

推薦文章:
AI 人工智慧、ML 機器學習、深度學習、Python 是什麼?


捷克新創Resistant.AI 開發2產品 揪出欺騙人工智慧的詭計


人工智慧釀酒超越人類 全球首支AI威士忌勇奪金牌


Python vs R語言:哪個比較適合人工智慧/機器學習?


想要擁有職場競爭力?學Python是你最好的選擇!


自學Python卻遇撞牆期?24條建議幫幫你!


學Python的三大好處,看完馬上手刀報名了!