[因為當年唸人工智慧 所以現在要補上機器學習]
雖然我研究所唸人工智慧，但是21年前並沒有機器學習這門學問，這門課開始紅起來，也只是最近的事，而我也明白明年起我會教很多機器學習相關的課程，於是，為了有系統的了解，我報了資料科學年會的這門課「人工智慧與機器學習在推薦系統上的應用」及另一門明年初的課程「機器學習在海量影像資料」來強化自己機器學習的能力。
圖源：datasci.tw官網
「人工智慧與機器學習在推薦系統上的應用」在12月18日在中研院的社會人文所的國際會議廳上課，上課的人是台大資工系及研究所的林守德教授，因為他在南加大唸了碩士跟博士，所以是我的校友，而且也跟我一樣上過大腦理論與人工智慧的課（主要講類神經網路）。林守德教授帶著台大團隊從2008年起拿了五屆ACM KDD國際比賽冠軍，一次季軍(2009年），實在是太厲害了。林教授專門是做推薦系統，這次能有機會上他的課，蠻開心的。
推薦系統一般是在電子商務、內容中使用的，甚至剛被微軟併購的LinkedIn也有用，而透過人工智慧，可以做到精準推薦與行銷，而因為推薦的是客戶真心想要的，所以客戶才會續購，才會停留更久，甚至成為粉絲。Netflix在2006年提出高額獎金要給可以達成提高預測準確率10%的團隊，而這在2009年才由其中一個團隊達成，不過之中其實經過很多次整併，原來的很多團隊，只剩下兩個團隊了。
[好的推薦 首要找出特殊客戶有興趣的]
林老師告訴大家，其實一個好的推薦要有三要素，但是今天因為時間關係，他只能講第一個：找出特殊客戶有興趣的項目，而這做法有基於內容推薦的，針對個人或項目的，也有利用社群評價而推薦的，整堂課充滿了矩陣與向量，這再次證明使用繪圖處理器，因為善於處理矩陣與向量，非常適合做人工智慧。
[林博士闡述了人工智慧與機器學習的系統性定義]
上課最後提到人工智慧與機器學習，林博士的定義非常好，四個方向：1.觀察、了解、與世界互動 2.能夠找到最佳的解決辦法 3.能夠推論以及規劃 4.能夠學習以及調適。 更闡明了，其實現在電腦展現的都是弱人工智慧：能夠展現出有智慧的外顯行為。從林老師講述人工智慧的歷史，強化了我原來知道的部分，IBM Watson在2012年參與益智問答Jeopardy（中譯：危險邊緣），其實內部就有上百個智慧模組（跟後來AlphaGo一樣），而它的成功打敗人類冠軍，代表電腦在知識問答的能力已經超過人類。而2016年AlphaGo透過自我看棋譜學習，它的成功，代表了電腦在下棋的能力已經超過人類。而人工智慧在此前提下的四大關鍵技術是：知識表徵、學習、規劃及搜尋與最佳化。而機器學習的講述時不同於一般只講到監督、非監督兩種學習方式，林博士提到了五種學習方式，多了半監督學習、再強化學習跟線上/轉化/分散式三個變化學習。半監督為透過與人類專家合作產生的主動式學習，而在強化學習就像AlphaGo學完了過去的各種圍棋棋譜後，反而進入了第二階段，超越過去。
林博士最後提到了其實電腦擅長邏輯，但不擅長感官肢體協調與人類感性聯繫，原來很多做邏輯性能力的高階人力會被人工智慧取代，這跟我之前提出的觀點一致。他也提到，未來可能會出現得諾貝爾獎的人工智慧，我想如果是跟人類合作，這才有可能，畢竟人工智慧不會有由感性腦引申的聯想能力與直覺力。
[結論]
1.人工智慧有強人工智慧及弱人工智慧。
2.機器學習是人工智慧的一支，而推薦系統是機器學習的一支。
3.推薦系統的第一要點是找到特殊客戶有興趣的。
