https://www.mile.cloud/zh-hant/introduction-to-google-api/ 介紹的 Google API 主要依從人類基礎的四種能力：聽說讀寫衍伸而成，分別為 Vision API、Video Intelligence API、Translation API、Speech API、Natural Language API。
Vision API 就像是 Google 的照片搜尋功能，主要能夠讓機器辨識物件，如人臉、商標 Logo、圖片中的文字，還可以偵測是否有暴力內容等等。簡單而言，Vision API 會自動辨認照片出現的物品並逐一標記標籤。
Video Intelligence 與 Vision API 類似，但以影片即時標籤為主，深入地把影片片段內容作標籤，其中可自動偵測影片場景轉變，並標記每個場景出現的物品，像是下圖範例中的狐狸與兔子等。
如此一來，在龐大的影片庫裡只需要輸入關鍵字（例如：狗、花、人、跑、飛），不到幾秒鐘就能輕鬆從數部影片中搜尋出和關鍵字吻合的內容，舉例來說，所有影片資料庫中出現「狗」的相關影音都會被標示出來，而且還能知道出現在影片裡的哪個位置。
Translate API 涵蓋一般人最常用的 Google Translation，可即時將句子翻譯成各國語言。另外，也有 Instant Video Translate 功能，只要打開相機的功能，API 可將拍到的文字翻譯成使用者所選取的語言，並以相同的顏色及字體顯示在相同位置，如下圖的牛奶的中英轉換例子。
Speech API 可以想成是 Google 搜尋時常使用的語音轉換文字 (Speech to Text) 功能，使用者只需要說出要輸入的文字，API 就會自動把所說的話即時轉換成文字，省略打字環節。
近期來 Apple Siri、Google Assistant、Amazon Alexa 等語音助手，背後就是借助如 Speech API 的技術。
Natural Language API 能進一步了解語意與情緒。只要輸入一段文字，Natural Language API 便能判斷此段文字的正面、負面或是中性情緒，並給予相對分數，供使用者進一步評估。透過 Natural Language API 自動分析語句功能，便可初步了解使用者的意圖，進而做到許多智慧化的功能。
進階版技術與功能，如 Tensorflow、Google Auto ML、Google Machine Learning Engine，包括 Deep Learning 如何收集各動物間的特徵，從而加強自動辨認的準確性；或是如何使用 ML Engine 定義數據類型去分析等。
上述 Google API 皆為 Google Cloud Platform 所提供的工具，若想動手嘗試便可開啟 Google Cloud Platform API Credentials 申請試用，Google 將提供兩百美金的免費試用額度。
想在短時間找到特定布料出貨，全靠數據分析
陳富泉生產的格子布因品質穩定，成為多家國際精品的主要供應商。
和明年產4百多萬碼格子布，僅2％內銷，為穩住訂單下足功夫。陳富泉舉例，某大精品為避免布料遭不肖人士製成假貨販售，剩餘布料都要求送往焚化爐燒燬，「他們付錢燒燬，燒時還要錄影存證，不能流到市面上。」
還有一次和明替Ralph Lauren生產格子海灘褲，但其中一條藍色格紋無法通過日照褪色測試被退貨，一接到電話，陳富泉與李桂林立刻飛往紐約救火，「我還記得那天碰上亂流，我們倆在機上痛苦得要死。」
「我們認為布料沒問題，因為不會有人連續日曬10幾個小時，可是品牌是無價的，人家有這個標準，是我們自己不對，該賠就賠。」認賠四百多萬元對代工廠來說不是小數目，「品牌認為我們很有guts（膽識），是值得信賴的工廠，單子越做越大。」但也因此李桂林的辦公室內，迄今仍放了好幾咖行李箱，以備隨時出國。
陳富泉（左）與李桂林（右）是大學班對，也是共同打拚事業的好夥伴。
陳富泉個性豪邁爽朗，與員工交流一點也沒有老闆的架子，談起這堂賠400萬元的課，他直言：「那是一張很大的單子，但我是B型雙魚座，我太太都說我比較浪漫，其實我認為事情能解決就好。」
好奇他曾做過什麼浪漫的事？看遍大風大浪的老闆卻有些害羞，他說自己對星象沒有研究，但提到家人的星座、血型卻記得清楚仔細，「像我太太是A型巨蟹座，她真的很愛家。」
我的產品很好，可是在台灣生產好像成了原罪，人家會問你憑什麼比中國、比東南亞還貴？
不過，快時尚風行，以往不競逐速度的精品也跟著快起來，交期從90天縮短至35天。拉開和明位於北市敦化南路辦公室內的布料庫，十幾萬條花色不同的格子布，幾乎是這條路上最貴的倉庫，想在短時間找到特定布料出貨，全靠數據分析。去年和明決定導入Google雲端機器學習，將所有布料建檔，精準確認交期、採購，減少過去重新設計、打樣的時間。
因不直接生產成衣，陳富泉只要出國看到自家布料生產的衣服就會買回來。
跟上速度與潮流，但代工業者也有品牌夢，「我的產品很好，可是在台灣生產好像成了原罪，人家會問你憑什麼比中國、比東南亞還貴？」陳富泉說。
「每一塊布我都是很有感情的，就好像一個女兒，我把她嫁得很好，可是沒辦法去看她過得好不好？所以只要出國看到我們布料做成的衣服我就會買回來。」他苦笑，「在工廠看布沒感覺，一做成衣服，你會覺得怎麼這麼漂亮？」
十年後人類能夠實現備份大腦?
十三歲侵入NASA的黑客之王談「2045」計劃：https://kknews.cc/tech/x5zx5n8.html
李開復談人工智慧的可能趨勢：https://kknews.cc/tech/r98eq2v.html
李開復談人工智慧的可能趨勢：https://kknews.cc/tech/r98eq2v.html
大數據人才的工作內容及年薪比較
內容出處：https://www.inside.com.tw/2015/05/01/big-data-jobs-salary
根據美國大數據及商業智慧軟體公司 SiSense 調查研究指出，資訊分析相關人才起薪約為年薪 5.5 萬美元，換句話說，相較美國大學畢業生平均年薪為 4.76 萬美元，高出 7400 美元，而最高薪的資料科學家，平均年薪為 13.2 萬美元。
以下根據 Payscale 所提供的職位基本年薪做參考。
● 資料分析師 Data Analyst
「資料分析師」指的是不同行業中，專門從事行業內數據蒐集、整理、分析，並依據這些數據做出研究、評估的專業人員。
這類職缺通常要求應徵者有數學、統計、或是電腦科學等的相關學位跟背景，最常見的工作技能要求是 SQL、R、SAS、Excel，以及隨著需要處理的資料量日漸龐大，Hadoop 也被許多公司列為必備的基本條件之一。
美國地區資料分析師的年薪大約在 $36,139 到 $77,696 美元之間（約等於年薪台幣 110 萬到 240 萬），中間值大約是 $51,224 美元（台幣 160 萬）。擁有統計分析、資料建模（Data modeling）以及 SAS 等技能的應徵者一般來說更有機會得到高薪。
● 資料科學家 Data Scientist
被《哈佛商業評論》譽為「21 世紀最性感工作」的資料科學家可以說是資料分析師的進化版。
兩者的分別可以從職稱的不同看出端倪：資料「分析師」統計分析資料作為評估基準來設計行銷方案時，資料「科學家」則是把心力放在設計分析資料的演算法，提出不同的理論來測試這些結論，最後建立統計模型來判斷消費者行為、找出最關鍵的行為誘發因子。
因此資料科學家需要具備程式開發的能力，例如 Java 或 Python，而且對機器學習（Machine Learning）領域有所瞭解。
美國地區的資料科學家年薪大約落在 $63,192 到 $142,118 美元間，中間值是 $96,579 美元，幾乎是資料分析師的兩倍。
● 資料架構師 Data Architect
資料架構師要負責建立和維持公司資料儲存的技術基準，策劃硬體和軟體的結構，確保資料儲存系統可以支持未來的資料量和分析需求。
資料架構師通常擁有電腦科學學位，並且精通資料庫相關知識，像是關聯式資料庫（Relational database）、資料倉儲（Data warehouse）、以及分散式資料系統（Distributed storage system）等等。
美國地區資料架構師的薪資範圍是 $65,928 到 $147,868 美元，中間值為 $105,581 美元，以目前的趨勢來看，比起 SQL ，擅長 OracleDB 的人才較容易得到高薪。
● 首席資訊長 Chief Information Officer
首席資訊長（簡稱 CIO）是負責企業內部資訊系統和資訊資源規劃和整合的高級行政管理人員，簡單來說，這個最資深、最高級的職位要擔起所有數據策略相關的責任，
CIO 通常會管理一個大團隊，團隊中的資深資料分析師、資料科學家會直接與 CIO 呈報，最後的決策再由 CIO 上報給董事會員。由於擔任 CIO 的人選必須擁有一定的經驗，因此這個職位通常會由董事會直接指派。
美國的公司通常給 CIO 的薪水從 $81,226 起跳至 $269,033 美元不等，中間值是 $142,269 美元。
資料工程師（Data engineers）、大數據分析師（Big data analysits）、數據專家（Data expert or Data specialist）等等職稱基本上都可以歸類到上述四個職位。雖然擁有不同的職稱，但往往這些角色的職責範圍經常互相重疊，端看各公司如何分配工作內容。
根據美國大數據及商業智慧軟體公司 SiSense 調查研究指出，資訊分析相關人才起薪約為年薪 5.5 萬美元，換句話說，相較美國大學畢業生平均年薪為 4.76 萬美元，高出 7400 美元，而最高薪的資料科學家，平均年薪為 13.2 萬美元。
以下根據 Payscale 所提供的職位基本年薪做參考。
● 資料分析師 Data Analyst
「資料分析師」指的是不同行業中，專門從事行業內數據蒐集、整理、分析，並依據這些數據做出研究、評估的專業人員。
這類職缺通常要求應徵者有數學、統計、或是電腦科學等的相關學位跟背景，最常見的工作技能要求是 SQL、R、SAS、Excel，以及隨著需要處理的資料量日漸龐大，Hadoop 也被許多公司列為必備的基本條件之一。
美國地區資料分析師的年薪大約在 $36,139 到 $77,696 美元之間（約等於年薪台幣 110 萬到 240 萬），中間值大約是 $51,224 美元（台幣 160 萬）。擁有統計分析、資料建模（Data modeling）以及 SAS 等技能的應徵者一般來說更有機會得到高薪。
● 資料科學家 Data Scientist
被《哈佛商業評論》譽為「21 世紀最性感工作」的資料科學家可以說是資料分析師的進化版。
兩者的分別可以從職稱的不同看出端倪：資料「分析師」統計分析資料作為評估基準來設計行銷方案時，資料「科學家」則是把心力放在設計分析資料的演算法，提出不同的理論來測試這些結論，最後建立統計模型來判斷消費者行為、找出最關鍵的行為誘發因子。
因此資料科學家需要具備程式開發的能力，例如 Java 或 Python，而且對機器學習（Machine Learning）領域有所瞭解。
美國地區的資料科學家年薪大約落在 $63,192 到 $142,118 美元間，中間值是 $96,579 美元，幾乎是資料分析師的兩倍。
● 資料架構師 Data Architect
資料架構師要負責建立和維持公司資料儲存的技術基準，策劃硬體和軟體的結構，確保資料儲存系統可以支持未來的資料量和分析需求。
資料架構師通常擁有電腦科學學位，並且精通資料庫相關知識，像是關聯式資料庫（Relational database）、資料倉儲（Data warehouse）、以及分散式資料系統（Distributed storage system）等等。
美國地區資料架構師的薪資範圍是 $65,928 到 $147,868 美元，中間值為 $105,581 美元，以目前的趨勢來看，比起 SQL ，擅長 OracleDB 的人才較容易得到高薪。
● 首席資訊長 Chief Information Officer
首席資訊長（簡稱 CIO）是負責企業內部資訊系統和資訊資源規劃和整合的高級行政管理人員，簡單來說，這個最資深、最高級的職位要擔起所有數據策略相關的責任，
CIO 通常會管理一個大團隊，團隊中的資深資料分析師、資料科學家會直接與 CIO 呈報，最後的決策再由 CIO 上報給董事會員。由於擔任 CIO 的人選必須擁有一定的經驗，因此這個職位通常會由董事會直接指派。
美國的公司通常給 CIO 的薪水從 $81,226 起跳至 $269,033 美元不等，中間值是 $142,269 美元。
資料工程師（Data engineers）、大數據分析師（Big data analysits）、數據專家（Data expert or Data specialist）等等職稱基本上都可以歸類到上述四個職位。雖然擁有不同的職稱，但往往這些角色的職責範圍經常互相重疊，端看各公司如何分配工作內容。
機器人
開發板
Arduino：https://en.wikipedia.org/wiki/Arduino
Raspberry Pi (樹莓派)：https://en.wikipedia.org/wiki/Raspberry_Pi
單晶片，全稱單晶片微電腦，中國大陸主要採用「单片机」的稱呼，英文縮寫為 MCU：https://en.wikipedia.org/wiki/Microcontroller
Arduino、Arm、樹莓派、單片機：https://kknews.cc/zh-tw/tech/vgyy2.html
星戰 BB-8 玩具解體：http://chinese.engadget.com/2015/09/06/star-wars-bb-8-teardown/
uBreakiFix 把 BB-8 玩具拆解，構造包括了一個陀螺儀、平衡重物、母板、無線充電線圈、把機體滾動的馬達和雙輪、以及把頭部吸著的一對磁石。
由於他們無法找出不損毀機體的打開方法，所以這隻 BB-8 在被拆解後無法再重組。
Pebby 在眾籌網站 Kickstarter 上發起眾籌，最初的籌集目標為 5 萬美元。早期投資者可以半價優惠（124美元）獲得這款產品。
https://www.kickstarter.com/projects/973862487/pebby-the-worlds-most-advanced-robotic-pet-sitter
Pebby 這款產品包括一個智能項圈、充電底座和 Wi-Fi 控制的寵物球。設備能夠在與寵物的交互中跟蹤和監測寵物狀態，並通過配套的 Pebby 手機應用程式將數據呈現給寵物主人。
用戶可通過手機程序對寵物球進行操控。寵物球內置一個 720p 廣角／魚眼鏡頭，內置的鋰電子電池能夠支撐 1.5 小時的遊戲時間，待機時長可達 15 小時。
寵物球內置鏡頭讓主人能夠實時捕捉到愛寵最可愛率真的時刻，拍攝的畫面可通過 Wi-Fi 傳到用戶手機。寵物球配備微控制雙獨立懸架，即使在與寵物的玩耍中也能保持穩定。
Pebby 寵物球直徑 8 公分，內飾採用可更換設計。內置 LED 燈以適應夜晚使用場景。內置揚聲器和雷射燈。
與之匹配的智能項圈可跟蹤寵物行蹤，並將收集來的行動和健康數據發送到 Pebby 手機應用程式。項圈的電池續航為 8 至 10 天，支持有線和無線充電。
「我們打造了一個完整的寵物看護系統，能讓寵物主人完全放心。」Pebby 創始人兼執行長 Hansen Goh 稱，「Pebby 允許寵物主人遠程與愛寵保持接觸，捕捉精彩瞬間。在監控寵物健康狀況的同時也滿足娛樂需求。」
用戶可隨時通過手機應用設置 Pebby，包括調整寵物球運動速度和燈光顏色。當寵物開始玩弄設備時，用戶手機端會收到即時的震動反饋。Pebby 系統還可自動導航到無線充電座進行充電，並具有自動跟蹤和自動斷開功能。Pebby 除了用手機操控之外，也能自動和寵物玩耍。
Arduino：https://en.wikipedia.org/wiki/Arduino
Raspberry Pi (樹莓派)：https://en.wikipedia.org/wiki/Raspberry_Pi
單晶片，全稱單晶片微電腦，中國大陸主要採用「单片机」的稱呼，英文縮寫為 MCU：https://en.wikipedia.org/wiki/Microcontroller
Arduino、Arm、樹莓派、單片機：https://kknews.cc/zh-tw/tech/vgyy2.html
星戰 BB-8 玩具解體：http://chinese.engadget.com/2015/09/06/star-wars-bb-8-teardown/
uBreakiFix 把 BB-8 玩具拆解，構造包括了一個陀螺儀、平衡重物、母板、無線充電線圈、把機體滾動的馬達和雙輪、以及把頭部吸著的一對磁石。
由於他們無法找出不損毀機體的打開方法，所以這隻 BB-8 在被拆解後無法再重組。
Pebby 在眾籌網站 Kickstarter 上發起眾籌，最初的籌集目標為 5 萬美元。早期投資者可以半價優惠（124美元）獲得這款產品。
https://www.kickstarter.com/projects/973862487/pebby-the-worlds-most-advanced-robotic-pet-sitter
Pebby 這款產品包括一個智能項圈、充電底座和 Wi-Fi 控制的寵物球。設備能夠在與寵物的交互中跟蹤和監測寵物狀態，並通過配套的 Pebby 手機應用程式將數據呈現給寵物主人。
用戶可通過手機程序對寵物球進行操控。寵物球內置一個 720p 廣角／魚眼鏡頭，內置的鋰電子電池能夠支撐 1.5 小時的遊戲時間，待機時長可達 15 小時。
寵物球內置鏡頭讓主人能夠實時捕捉到愛寵最可愛率真的時刻，拍攝的畫面可通過 Wi-Fi 傳到用戶手機。寵物球配備微控制雙獨立懸架，即使在與寵物的玩耍中也能保持穩定。
Pebby 寵物球直徑 8 公分，內飾採用可更換設計。內置 LED 燈以適應夜晚使用場景。內置揚聲器和雷射燈。
與之匹配的智能項圈可跟蹤寵物行蹤，並將收集來的行動和健康數據發送到 Pebby 手機應用程式。項圈的電池續航為 8 至 10 天，支持有線和無線充電。
「我們打造了一個完整的寵物看護系統，能讓寵物主人完全放心。」Pebby 創始人兼執行長 Hansen Goh 稱，「Pebby 允許寵物主人遠程與愛寵保持接觸，捕捉精彩瞬間。在監控寵物健康狀況的同時也滿足娛樂需求。」
用戶可隨時通過手機應用設置 Pebby，包括調整寵物球運動速度和燈光顏色。當寵物開始玩弄設備時，用戶手機端會收到即時的震動反饋。Pebby 系統還可自動導航到無線充電座進行充電，並具有自動跟蹤和自動斷開功能。Pebby 除了用手機操控之外，也能自動和寵物玩耍。
內置雷射燈 - 逗貓
堅固的機身外殼，不怕寵物咬
Pebby 小球內置了 2550mAh 的電池，當它快沒電時，能夠自動回到充電底座進行快速充電，90 分鐘就能充滿，所以不用擔心沒電需要手動充電的問題。項圈部分續航時間為 1 星期，可以通過 Micro-USB 進行充電。
智能項圈記錄愛寵數據，以了解它的健康。因為項圈包含了陀螺儀、加速器、磁力感應這些傳感器，同時還和小球相連，所以愛寵們在家活動的時候，它就能監測到一切日常數據。一般來說，寵物主人可能不會無聊到每天看看狗狗走了多少步，或者玩了幾個小時。但是透過數據能了解到寵物平時的活動規律，假如某一天主人發現寵物行為反常，就能夠透過數據來分析。
Pebby 小球四處「遊走」的方式比較特別，小球會動，但攝像頭的角度不會變化，這是因為內部的電機和外殼不是連在一起的，能夠通過內部陀螺儀保持方向穩定，概念類似星戰 BB-8 機器人。
機器學習
人類學習的過程，觀察 -> 累積經驗、學習 -> 習得技能。
機器學習的過程，資料 -> Machine Learning -> 習得技能。
技能的定義：
在機器學習上，技能就是透過所搜集到的資料來提升一些可量測的性能，比如說預測得更準確，實例上像是我們可以把股票的歷史交易資料，透過機器學習後，是否可以得到更多的投資報酬。如果可以得到更多的投資報酬，那麼我們就可以說電腦透過機器學習得到了買賣股票賺錢的技能了。
以一個可以辨識樹的圖片的程式為例，程式師直覺上可能會寫一個程式檢查圖片中有沒有綠綠的或是有沒有像葉子的形狀的部份等等，然後寫了幾百條規則來完成辨識樹的圖片的功能，但是如果現在來了一張樹的圖片，上面剛好都沒有葉子，這幾百條規則都沒用了，辨識樹的圖片的功能只能以失敗收場。機器學習可以解決這樣的問題，透過觀察資料的方式來讓電腦自己辨識樹的圖片，可能會比寫幾百條判斷規則更有效。這有點像是教電腦學會釣魚（透過觀察資料學習），而不是直接給電腦魚吃（直接寫規則給電腦）。
機器學習的使用時機：
1. 存在某種潛在規則。
2. 從人類的角度，不知道怎麼把規則很簡單地寫成程式碼／演算法。
3. 有很多資料可以作為觀察、學習的來源。
比如說在火星上的導航，當機器人登上火星後可能會面對各種未知狀況，人類沒有辦法事前寫好所有規則去應對，這時候就可以考慮使用機器學習。
比如說語音辨識、影像辨識。
比如說股市的高頻交易策略。
比如說透過分析大數據，依據用戶喜好或潛在可能需求來實現個人化服務。
台大資工系林軒田教授 Machine Learning Foundations (機器學習 基石)：https://www.youtube.com/playlist?list=PLXVfgk9fNX2I7tB6oIINGBmW50rrmFTqf
( 相當於台大 8 週完整課程 )
台大資工系林軒田教授 Machine Learning Techniques (機器學習 技法)：https://www.youtube.com/playlist?list=PLXVfgk9fNX2IQOYPmqjqWsNUFl2kpk1U2
( 相當於台大 7 週完整課程 )
機器學習的 基石 + 技法 相當於共 15 週的台大一學期完整課程 (每週 2 小時)
Google 人工智慧帝國，為何這裡一切都是 AI：https://www.bnext.com.tw/ext_rss/view/id/1143081
2015年11月9日，Google宣佈開源機器學習系統 TensorFlow，讓每個人都可以利用電腦和網路去使用這個強大的機器學習平臺。Google 旗下的 50 多個產品都運用了 TensorFlow 深度學習系統，它已變為一家機器學習公司，其產品不斷地為世界創造價值。
為何 Google 要推開源機器學習系統 TensorFlow：https://www.bnext.com.tw/article/37925/BN-2015-11-10-184646-40
TensorFlow 的開放源碼專案：https://www.tensorflow.org/
Aerosolve (A machine learning package built for humans) 的開放源碼專案：http://airbnb.github.io/aerosolve/
深度學習 ( Deep Learning ) 是機器學習 ( Machine Learning ) 中近年來備受重視的一支，深度學習根源於類神經網路 ( Artificial Neural Network ) 模型，但今日深度學習的技術和它的前身已截然不同，目前最好的語音辨識和影像辨識系統都是以深度學習技術來完成，AlphaGo 也是用深度學習做出的驚人應用。
台大電機系李宏毅教授簡介深度學習：https://www.slideshare.net/tw_dsconf/ss-62245351
以下是該課程大綱：
什麼是深度學習
深度學習的技術表面上看起來五花八門，但其實就是三個步驟：設定好類神經網路架構、訂出學習目標、開始學習，這堂課會簡介如何使用深度學習的工具 Keras，它可以幫助你在十分鐘內完成深度學習的程式。另外，有人說深度學習很厲害、有各種吹捧，也有人說深度學習只是個噱頭，到底深度學習和其他的機器學習方法有什麼不同呢？這堂課要剖析深度學習和其它機器學習方法相比潛在的優勢。
深度學習的各種小技巧
雖然現在深度學習的工具滿街都是，想要寫一個深度學習的程式只是舉手之勞，但要得到好的成果可不簡單，訓練過程中各種枝枝節節的小技巧才是成功的關鍵。本課程中將分享深度學習的實作技巧及實戰經驗。
有記憶力的深度學習模型
機器需要記憶力才能做更多事情，這段課程要講解遞迴式類神經網路 ( Recurrent Neural Network )，告訴大家深度學習模型如何可以有記憶力。
深度學習的應用與展望
深度學習可以拿來做甚麼？怎麼用深度學習做語音辨識？怎麼用深度學習做問答系統？接下來深度學習的研究者們在意的是什麼樣的問題呢？
本課程希望幫助大家不只能了解深度學習，也可以有效率地上手深度學習，用在手邊的問題上。無論是從未嘗試過深度學習的新手，還是已經有一點經驗想更深入學習，都可以在這門課中有所收穫。
機器學習的過程，資料 -> Machine Learning -> 習得技能。
技能的定義：
在機器學習上，技能就是透過所搜集到的資料來提升一些可量測的性能，比如說預測得更準確，實例上像是我們可以把股票的歷史交易資料，透過機器學習後，是否可以得到更多的投資報酬。如果可以得到更多的投資報酬，那麼我們就可以說電腦透過機器學習得到了買賣股票賺錢的技能了。
以一個可以辨識樹的圖片的程式為例，程式師直覺上可能會寫一個程式檢查圖片中有沒有綠綠的或是有沒有像葉子的形狀的部份等等，然後寫了幾百條規則來完成辨識樹的圖片的功能，但是如果現在來了一張樹的圖片，上面剛好都沒有葉子，這幾百條規則都沒用了，辨識樹的圖片的功能只能以失敗收場。機器學習可以解決這樣的問題，透過觀察資料的方式來讓電腦自己辨識樹的圖片，可能會比寫幾百條判斷規則更有效。這有點像是教電腦學會釣魚（透過觀察資料學習），而不是直接給電腦魚吃（直接寫規則給電腦）。
機器學習的使用時機：
1. 存在某種潛在規則。
2. 從人類的角度，不知道怎麼把規則很簡單地寫成程式碼／演算法。
3. 有很多資料可以作為觀察、學習的來源。
比如說在火星上的導航，當機器人登上火星後可能會面對各種未知狀況，人類沒有辦法事前寫好所有規則去應對，這時候就可以考慮使用機器學習。
比如說語音辨識、影像辨識。
比如說股市的高頻交易策略。
比如說透過分析大數據，依據用戶喜好或潛在可能需求來實現個人化服務。
台大資工系林軒田教授 Machine Learning Foundations (機器學習 基石)：https://www.youtube.com/playlist?list=PLXVfgk9fNX2I7tB6oIINGBmW50rrmFTqf
( 相當於台大 8 週完整課程 )
台大資工系林軒田教授 Machine Learning Techniques (機器學習 技法)：https://www.youtube.com/playlist?list=PLXVfgk9fNX2IQOYPmqjqWsNUFl2kpk1U2
( 相當於台大 7 週完整課程 )
機器學習的 基石 + 技法 相當於共 15 週的台大一學期完整課程 (每週 2 小時)
Google 人工智慧帝國，為何這裡一切都是 AI：https://www.bnext.com.tw/ext_rss/view/id/1143081
2015年11月9日，Google宣佈開源機器學習系統 TensorFlow，讓每個人都可以利用電腦和網路去使用這個強大的機器學習平臺。Google 旗下的 50 多個產品都運用了 TensorFlow 深度學習系統，它已變為一家機器學習公司，其產品不斷地為世界創造價值。
為何 Google 要推開源機器學習系統 TensorFlow：https://www.bnext.com.tw/article/37925/BN-2015-11-10-184646-40
TensorFlow 的開放源碼專案：https://www.tensorflow.org/
Aerosolve (A machine learning package built for humans) 的開放源碼專案：http://airbnb.github.io/aerosolve/
深度學習 ( Deep Learning ) 是機器學習 ( Machine Learning ) 中近年來備受重視的一支，深度學習根源於類神經網路 ( Artificial Neural Network ) 模型，但今日深度學習的技術和它的前身已截然不同，目前最好的語音辨識和影像辨識系統都是以深度學習技術來完成，AlphaGo 也是用深度學習做出的驚人應用。
台大電機系李宏毅教授簡介深度學習：https://www.slideshare.net/tw_dsconf/ss-62245351
以下是該課程大綱：
什麼是深度學習
深度學習的技術表面上看起來五花八門，但其實就是三個步驟：設定好類神經網路架構、訂出學習目標、開始學習，這堂課會簡介如何使用深度學習的工具 Keras，它可以幫助你在十分鐘內完成深度學習的程式。另外，有人說深度學習很厲害、有各種吹捧，也有人說深度學習只是個噱頭，到底深度學習和其他的機器學習方法有什麼不同呢？這堂課要剖析深度學習和其它機器學習方法相比潛在的優勢。
深度學習的各種小技巧
雖然現在深度學習的工具滿街都是，想要寫一個深度學習的程式只是舉手之勞，但要得到好的成果可不簡單，訓練過程中各種枝枝節節的小技巧才是成功的關鍵。本課程中將分享深度學習的實作技巧及實戰經驗。
有記憶力的深度學習模型
機器需要記憶力才能做更多事情，這段課程要講解遞迴式類神經網路 ( Recurrent Neural Network )，告訴大家深度學習模型如何可以有記憶力。
深度學習的應用與展望
深度學習可以拿來做甚麼？怎麼用深度學習做語音辨識？怎麼用深度學習做問答系統？接下來深度學習的研究者們在意的是什麼樣的問題呢？
本課程希望幫助大家不只能了解深度學習，也可以有效率地上手深度學習，用在手邊的問題上。無論是從未嘗試過深度學習的新手，還是已經有一點經驗想更深入學習，都可以在這門課中有所收穫。
專家觀點：未來十年，台灣會在哪裡？
https://www.bnext.com.tw/article/43858/next-decade-of-taiwan
方向 1：善用硬體優勢，做服務急起直追
工研院產經中心主任 蘇孟宗
以前台灣做製造業，還在談微笑曲線、做品牌，當我們都還在繳學費的時候，全世界已經走到生態圈了。對台灣來說，要看清楚現在產業的重要議題，善用我們還有的優勢急起直追。過去，台灣在硬體轉到軟體的過程時就轉得不夠，無論在人才、應用、市場都比較缺乏。但未來談的是人工智慧、物聯網，在這一個議題上是硬體軟體都有的，不像過去都是軟體的世界，一部分會跟硬體的製造效率有關，台灣不能放棄這樣的優勢。例如，現在科技產品的趨勢都是越做越小越便宜，有一個相反的是螢幕，螢幕尺寸越做越大，未來無論是家裡螢幕，或者像是自駕車、VR／AR裝置，這些實體產品都是機會。
另外，像是 AI 要透過大數據、資料蒐集，AI 的演算法是一直在進步的，而演算法的周遭跟核心都有我們熟悉的硬體：晶片、感應器，連結到的 IC 設計、晶圓、封裝、半導體產業，甚至傳統的硬體終端，手機、汽車電子，這部分台灣都累積很多經驗。另外，過去我們談軟硬整合，現在談的會是「軟硬融合」，這個概念過去韓國、中國都提過，後面這個「軟」的意思不是軟體，而是軟實力、也就是服務。未來台灣硬實力要在技術的深度超過別人，軟實力就是行業跟應用的 Domain Know-how（領域知識）。
未來不可能全世界所有服務、消費都建置在網路上，只要場景拉到實體、拉到線下，就是台灣的機會。現在台灣有沒有軟實力？要做服務，台灣也還是有發揮空間。例如說智慧交通，我們的 ETC（高速公路電子收費系統）已經有 2 千萬人口的使用量，而且這個系統在很短的時間持續精進，現在也在談海外輸出。台灣的服務模式不像英系、歐系國家的系統可以稱霸全世界，但可以輸出到新興市場，像是東南亞等華人市場有共同訴求的國家，我們的交通環境其實很複雜，有機車、汽車、行人、大眾交通，做智慧交通是有優勢的。未來十年不管新興科技怎麼變，台灣不一定能夠自創大的生態系，但還是會有小的生態系可以發揮，甚至有能力做海外輸出，台灣絕對還是可以扮演生態系的關鍵一員。
方向 2：讓台灣成為機器人王國
台大智慧機器人及自動化國際研究中心主任 羅仁權
全球工業機器人市場目前只開發了 10%，縱使 40、50 年以後，工業機器人絕對都還會有應用！機器人能在 4D（Dirty、Dull、Difficult、Dangerous）環境下工作，更是能帶動很多產業發展的火車頭，它跟食品、紡織、製造各個產業都有連結，經過分析，投資在機器人上帶來的槓桿效應也是最高的。這一塊市場的需求是很大的，只要你有競爭力，其實就不怕那麼多人都在做。
台灣的 hardware（硬體）有優勢，工業機器人就是非常 hardware 的技術，你看我們連控制都可以 PC-based 了。在關鍵零組件：馬達技術、減速機、編碼器這些當然還可以做得更好。我覺得政府應該要痛下決心，把重要的關鍵零組件產業發展起來，因為這一塊如果不掌握，就沒辦法跟國際競爭。台灣現在在工業機器人市場，大概只能排到 20 幾名，新政府之前說生產力 4.0，現在說智慧機械產業化，其實內涵都是一樣的，不過重點是你做事情有沒有速度感，有沒有決心要把這件事情做起來？
另外，服務型機器人也是一塊很有潛力的市場，它很典型的是 B2C、C2B 的生意都可以做，未來面對的更多是一般家庭市場。現在全世界有 70 億人口，大家都想要生活品質好，最後量一定會帶起來，現在台灣廠商算是有跟上，華碩、宏碁都開始都在動了。回到技術，技術你能不能做得好？未來的機器人也一定會結合 AI，它是硬體也是軟體，在 chip（晶片）這裡還是我們的優勢。未來全世界都會做 AI + Robotics，未來 AI 也一定會是一個拚勝負的事情。
方向 3：要抓住 AI 浪潮，先改企業腦袋
趨勢科技董事長 張明正
科技典範正在轉移，未來十年的下一個主流平台，我是看好人工智慧的。去年 AlphaGo 讓大家對 AI 認真起來，現在不到一年它就快把一個長久以來的產業顛覆掉了。現在，大家的興趣甚至將不再是人跟電腦比賽，大家也將不再問「無人自駕車會不會比較不安全？」這種問題，就像以前的 ATM 一樣，大家已經習以為常。我覺得未來 AI 會變成晶片，會開始 verticle（垂直），例如 NVIDIA 想做 AI 的 GPU，這不會像以前的 Intel 時代一樣，我覺得會有新的競爭者出來、專門做某一方面的事情。未來，AI 加上生物科技，會不會有「超人」的出現，我覺得一定會有很大的進展，以前是 AI 很難超越人，現在變成人很難超越 AI。
未來 AI 會滲入所有產業，它就像當年的 micro processor（微處理器）一樣，它來得太快太急太重要了。現在講的 IoT，以後也一定都有某種程度的 AI。現在台灣在 IoT 的重點是有裝置、晶片，我覺得這對現在擁有一堆數據、但還沒想好怎麼用的大企業來說，還是比較占優勢。例如說台積電之所以獲利率、競爭力強，是因為他掌握了每一個 station（機台）每秒的數據，找出不良率的預防方法，這是他在本業裡的運用，這會讓強者越強。
不過，台灣現在還缺少像是資料科學家這樣的人才，學校教育也還多只是停留在 data mining（數據挖掘），我們沒有教育、公司、人才，在大數據、Hadoop 都已經輸了一輪。另外，過去我們做 ODM、OEM，有一個很大的問題，我們不習慣看到終端使用者的痛點，我們永遠不知道市場的痛點在哪裡？這些其實也都是軟體人才比較不喜歡的文化。所以我覺得未來會是企業文化跟人才戰。企業文化要先改，要從原來的 SOP 架構變成更有創造力的文化，你要去找 data、利用 data，你還要去 try error（試錯）、跨部門合作，試著解決市場痛點（pain point）。
最後，我覺得台灣的企業老闆要知道，AI 的趨勢真的會發生，而且會比你想像得更快一些。企業的文化必須被改變，才比較容易留住人才，就像現在，你一講你懂 AI，很快就被中國、美國挖過去了。
方向4：連結新創，做產品落地的最後一哩
美商中經合集團董事總經理 朱永光
台灣過去有很完整的製造業產業鏈，包括硬體設計與製造、晶圓、IT/ICT、無線通訊網路等，擁有具世界水準生產產品的實力，過去優質的製造經驗，造就台灣擁有跨領域、跨產業研發、結合的優異能力。尤其在發展 IoT，或是更進一步的 Smart IoT，都需要 last mile（最後一哩），例如很多 Kickstarter 上的產品延遲產品化或出貨的原因，就是因為沒能將產品想法落實合作的夥伴，讓擁有前端技術的產品可以落地，會是台灣可以切入、善加利用的機會。
台灣要能利用既有優勢，扮演著讓擁有尖端技術想法產品落地的重要角色。突破傳統製造業與代工的圍籬，讓產品設計、製造合作夥伴的角色浮現。未來十年，以企業的布局而言，鴻海也許是目前值得觀察的，看起來正在「拼圖」，雖然仍是以代工為主體的企業，布局方面也許仍有些鬆散。但綜觀近年的發展，包括發展永齡基金會、收購夏普等，鴻海的事業版圖正在改變。透過永齡與夏普，發展醫療相關研究，更進一步跨入醫療的投資與研發，尤其收購了夏普之後，不只是表面上的面板事業，更有背後豐富的醫療資源，讓鴻海集團可以利用其擁有強大技術再投入及利用之處。
最重要的還是，台灣企業掌門人的思維要改變，不能只是線性思考，要把自己的優勢提升到「管理財」的層次。未來十年不知道會發生什麼事，至少要能看到外面世界的變化，當然大象還是要固守舊有的地盤，但我認為與新創公司接軌，未來可能也會成為重要的一部分。畢竟，相較於大企業，新創公司的動作更靈活，要打國際市場的能量也是更大的，以美商中經合投資的新創團隊宅妝為例，他們搭建了房地產、房仲、消費者之間的平台，走出國際市場也更容易。任何產品或平台的創建都需要多方的合作才能成就，台灣只要能善加利用自身的優勢，就能持續在科技產業中占有一席之地。
方向 1：善用硬體優勢，做服務急起直追
工研院產經中心主任 蘇孟宗
以前台灣做製造業，還在談微笑曲線、做品牌，當我們都還在繳學費的時候，全世界已經走到生態圈了。對台灣來說，要看清楚現在產業的重要議題，善用我們還有的優勢急起直追。過去，台灣在硬體轉到軟體的過程時就轉得不夠，無論在人才、應用、市場都比較缺乏。但未來談的是人工智慧、物聯網，在這一個議題上是硬體軟體都有的，不像過去都是軟體的世界，一部分會跟硬體的製造效率有關，台灣不能放棄這樣的優勢。例如，現在科技產品的趨勢都是越做越小越便宜，有一個相反的是螢幕，螢幕尺寸越做越大，未來無論是家裡螢幕，或者像是自駕車、VR／AR裝置，這些實體產品都是機會。
另外，像是 AI 要透過大數據、資料蒐集，AI 的演算法是一直在進步的，而演算法的周遭跟核心都有我們熟悉的硬體：晶片、感應器，連結到的 IC 設計、晶圓、封裝、半導體產業，甚至傳統的硬體終端，手機、汽車電子，這部分台灣都累積很多經驗。另外，過去我們談軟硬整合，現在談的會是「軟硬融合」，這個概念過去韓國、中國都提過，後面這個「軟」的意思不是軟體，而是軟實力、也就是服務。未來台灣硬實力要在技術的深度超過別人，軟實力就是行業跟應用的 Domain Know-how（領域知識）。
未來不可能全世界所有服務、消費都建置在網路上，只要場景拉到實體、拉到線下，就是台灣的機會。現在台灣有沒有軟實力？要做服務，台灣也還是有發揮空間。例如說智慧交通，我們的 ETC（高速公路電子收費系統）已經有 2 千萬人口的使用量，而且這個系統在很短的時間持續精進，現在也在談海外輸出。台灣的服務模式不像英系、歐系國家的系統可以稱霸全世界，但可以輸出到新興市場，像是東南亞等華人市場有共同訴求的國家，我們的交通環境其實很複雜，有機車、汽車、行人、大眾交通，做智慧交通是有優勢的。未來十年不管新興科技怎麼變，台灣不一定能夠自創大的生態系，但還是會有小的生態系可以發揮，甚至有能力做海外輸出，台灣絕對還是可以扮演生態系的關鍵一員。
方向 2：讓台灣成為機器人王國
台大智慧機器人及自動化國際研究中心主任 羅仁權
全球工業機器人市場目前只開發了 10%，縱使 40、50 年以後，工業機器人絕對都還會有應用！機器人能在 4D（Dirty、Dull、Difficult、Dangerous）環境下工作，更是能帶動很多產業發展的火車頭，它跟食品、紡織、製造各個產業都有連結，經過分析，投資在機器人上帶來的槓桿效應也是最高的。這一塊市場的需求是很大的，只要你有競爭力，其實就不怕那麼多人都在做。
台灣的 hardware（硬體）有優勢，工業機器人就是非常 hardware 的技術，你看我們連控制都可以 PC-based 了。在關鍵零組件：馬達技術、減速機、編碼器這些當然還可以做得更好。我覺得政府應該要痛下決心，把重要的關鍵零組件產業發展起來，因為這一塊如果不掌握，就沒辦法跟國際競爭。台灣現在在工業機器人市場，大概只能排到 20 幾名，新政府之前說生產力 4.0，現在說智慧機械產業化，其實內涵都是一樣的，不過重點是你做事情有沒有速度感，有沒有決心要把這件事情做起來？
另外，服務型機器人也是一塊很有潛力的市場，它很典型的是 B2C、C2B 的生意都可以做，未來面對的更多是一般家庭市場。現在全世界有 70 億人口，大家都想要生活品質好，最後量一定會帶起來，現在台灣廠商算是有跟上，華碩、宏碁都開始都在動了。回到技術，技術你能不能做得好？未來的機器人也一定會結合 AI，它是硬體也是軟體，在 chip（晶片）這裡還是我們的優勢。未來全世界都會做 AI + Robotics，未來 AI 也一定會是一個拚勝負的事情。
方向 3：要抓住 AI 浪潮，先改企業腦袋
趨勢科技董事長 張明正
科技典範正在轉移，未來十年的下一個主流平台，我是看好人工智慧的。去年 AlphaGo 讓大家對 AI 認真起來，現在不到一年它就快把一個長久以來的產業顛覆掉了。現在，大家的興趣甚至將不再是人跟電腦比賽，大家也將不再問「無人自駕車會不會比較不安全？」這種問題，就像以前的 ATM 一樣，大家已經習以為常。我覺得未來 AI 會變成晶片，會開始 verticle（垂直），例如 NVIDIA 想做 AI 的 GPU，這不會像以前的 Intel 時代一樣，我覺得會有新的競爭者出來、專門做某一方面的事情。未來，AI 加上生物科技，會不會有「超人」的出現，我覺得一定會有很大的進展，以前是 AI 很難超越人，現在變成人很難超越 AI。
未來 AI 會滲入所有產業，它就像當年的 micro processor（微處理器）一樣，它來得太快太急太重要了。現在講的 IoT，以後也一定都有某種程度的 AI。現在台灣在 IoT 的重點是有裝置、晶片，我覺得這對現在擁有一堆數據、但還沒想好怎麼用的大企業來說，還是比較占優勢。例如說台積電之所以獲利率、競爭力強，是因為他掌握了每一個 station（機台）每秒的數據，找出不良率的預防方法，這是他在本業裡的運用，這會讓強者越強。
不過，台灣現在還缺少像是資料科學家這樣的人才，學校教育也還多只是停留在 data mining（數據挖掘），我們沒有教育、公司、人才，在大數據、Hadoop 都已經輸了一輪。另外，過去我們做 ODM、OEM，有一個很大的問題，我們不習慣看到終端使用者的痛點，我們永遠不知道市場的痛點在哪裡？這些其實也都是軟體人才比較不喜歡的文化。所以我覺得未來會是企業文化跟人才戰。企業文化要先改，要從原來的 SOP 架構變成更有創造力的文化，你要去找 data、利用 data，你還要去 try error（試錯）、跨部門合作，試著解決市場痛點（pain point）。
最後，我覺得台灣的企業老闆要知道，AI 的趨勢真的會發生，而且會比你想像得更快一些。企業的文化必須被改變，才比較容易留住人才，就像現在，你一講你懂 AI，很快就被中國、美國挖過去了。
方向4：連結新創，做產品落地的最後一哩
美商中經合集團董事總經理 朱永光
台灣過去有很完整的製造業產業鏈，包括硬體設計與製造、晶圓、IT/ICT、無線通訊網路等，擁有具世界水準生產產品的實力，過去優質的製造經驗，造就台灣擁有跨領域、跨產業研發、結合的優異能力。尤其在發展 IoT，或是更進一步的 Smart IoT，都需要 last mile（最後一哩），例如很多 Kickstarter 上的產品延遲產品化或出貨的原因，就是因為沒能將產品想法落實合作的夥伴，讓擁有前端技術的產品可以落地，會是台灣可以切入、善加利用的機會。
台灣要能利用既有優勢，扮演著讓擁有尖端技術想法產品落地的重要角色。突破傳統製造業與代工的圍籬，讓產品設計、製造合作夥伴的角色浮現。未來十年，以企業的布局而言，鴻海也許是目前值得觀察的，看起來正在「拼圖」，雖然仍是以代工為主體的企業，布局方面也許仍有些鬆散。但綜觀近年的發展，包括發展永齡基金會、收購夏普等，鴻海的事業版圖正在改變。透過永齡與夏普，發展醫療相關研究，更進一步跨入醫療的投資與研發，尤其收購了夏普之後，不只是表面上的面板事業，更有背後豐富的醫療資源，讓鴻海集團可以利用其擁有強大技術再投入及利用之處。
最重要的還是，台灣企業掌門人的思維要改變，不能只是線性思考，要把自己的優勢提升到「管理財」的層次。未來十年不知道會發生什麼事，至少要能看到外面世界的變化，當然大象還是要固守舊有的地盤，但我認為與新創公司接軌，未來可能也會成為重要的一部分。畢竟，相較於大企業，新創公司的動作更靈活，要打國際市場的能量也是更大的，以美商中經合投資的新創團隊宅妝為例，他們搭建了房地產、房仲、消費者之間的平台，走出國際市場也更容易。任何產品或平台的創建都需要多方的合作才能成就，台灣只要能善加利用自身的優勢，就能持續在科技產業中占有一席之地。
物聯網
物聯網的 30 個關鍵字：https://www.bnext.com.tw/article/34549/BN-ARTICLE-34549
商業模式：
1.資料販售與交換（羊毛出在狗身上，豬來買單）
特徵：資料為王：硬體定價很低，甚至 0 元，廠商販售或交換使用者的資料盈利
知名案例：Nest
備註：硬體價值壓縮
2.產品即服務
特徵：有感服務：廠商售出硬體產品後，利用大數據分析、軟體升級、直接提供人力、售後服務盈利
知名案例：Tesla、奇異、中興保全 MyVITA、Dropcam
備註：透過軟體升級，提供給使用者更好的服務
3.產品共享
特徵：共有共享：廠商擁有硬體產品，使用者依硬體使用量付費
知名案例：YouBike、Zipcar
備註：產品共享趨勢
駭客公布惡意程式 Mirai 原始碼，讓數十萬 IoT 裝置組殭屍網路大軍的元兇現形：http://www.ithome.com.tw/news/108775
https://github.com/jgamblin/Mirai-Source-Code
物聯網安全警報響起，可癱瘓裝置的 BrickerBot 現身：http://www.ithome.com.tw/news/113335
商業模式：
1.資料販售與交換（羊毛出在狗身上，豬來買單）
特徵：資料為王：硬體定價很低，甚至 0 元，廠商販售或交換使用者的資料盈利
知名案例：Nest
備註：硬體價值壓縮
2.產品即服務
特徵：有感服務：廠商售出硬體產品後，利用大數據分析、軟體升級、直接提供人力、售後服務盈利
知名案例：Tesla、奇異、中興保全 MyVITA、Dropcam
備註：透過軟體升級，提供給使用者更好的服務
3.產品共享
特徵：共有共享：廠商擁有硬體產品，使用者依硬體使用量付費
知名案例：YouBike、Zipcar
備註：產品共享趨勢
駭客公布惡意程式 Mirai 原始碼，讓數十萬 IoT 裝置組殭屍網路大軍的元兇現形：http://www.ithome.com.tw/news/108775
https://github.com/jgamblin/Mirai-Source-Code
物聯網安全警報響起，可癱瘓裝置的 BrickerBot 現身：http://www.ithome.com.tw/news/113335
訂閱：
文章 (Atom)
程式語言編年史
程式語言編年史原文 下面這張圖片描繪了整個程式語言的歷史。包括各種程式語言的發明人、程式語言的特點和適用領域、被什麼網站或公司使用等 (檢視 完整高清圖 )。 之所以會有那麼多不同的程式語言是因為設計程式語言的初衷不同、對語言學習曲線的追求不同、不同程式之間的執行成本差異...
