Mr./Ms. Days (MMDays) - 網路, 資訊, 觀察, 生活

想像一下，我剛才說了一句話，那句話是：「想像一下，我剛才說了一句話，那句話是：「想像一下，我剛才說了一句話，那句話是：……….」」，如此下去，就好像站在兩面平行擺設的鏡子中間，鏡子中的影像不斷的重複。再舉個例子，寫完一封信想要匿名保密，就署名「知名不具」。回信的人寫：「知知名不具 具」。之後再回信的時候就變成：知知知名不具具具，加上括號可能比較清楚：(知(知(知名不具)具)具)。

Read Full Post »

Posted By Mr. Thursday

各位看到上面這張圖，想請各位比較一下中間的圓圈，左邊的是否看起來比較小？右邊的是否看起來比較大呢？答案是：兩個圓圈大小是一樣的，可以自行拿尺來量量看哦！這個錯覺英文名稱叫做Ebbinghaus Illusion，描述人類在判斷物體的大小的時候，會受到週遭物體大小的影響。然而我們如果要拿起某個大小的物體，我們的手指距離會迅速地調整到自動大小，如果是機械手臂，還要有好的機器學習演算法才辦的到。
在認知心理學裡面，有很多這種測驗，想要探討人腦在認知的過程中，到底有哪些奇妙的機制在裡面。經過了前幾篇的介紹，我們分別走訪了分子層、大腦生理層、以及機器學習的角度，對於人類大腦的學習功能的探討，這一篇我們將從認知心理學的角度出發，來看看我們的大腦，尤其是在記憶的部分。之後就會固定在這四個方向：「分子」、「大腦生理」、「認知心理」、以及「機器學習」四個大方向，一起攻克我們大腦複雜的結構，解開人類智慧之謎。偶而也會介紹網路上可以看到的相關演講給各位，讓各位對這個領域的最新發展也能夠有所熟悉！

Read Full Post »

Posted By Mr. Thursday
上回和各位分享了KNN演算法。不過在演算法的歸類上，我錯把KNN歸類成非監督式學習，英文稱為unsupervised learning。在這邊我重新定義監督式/非監督式學習：監督式學習是說，我們把資料給機器學習的時候，資料會有label，也就是說，每一個資料對應的正確答案，都會給機器看。機器學完以後，會產生一個模型 (model)，也就是他學習完的成果，之後遇到新的資料，他就用學習出來的模型來判斷新的東西，輸出新東西該有的正確答案。用之前判斷大頭照是男生或女生的例子，每一張照片給機器學習的時候，除了照片本身，還會讓機器知道每張照片的正確答案 (男生還是女生)。之後機器用他學出來的模型 (model) 來判斷新的照片，接著輸出答案 (男生或女生)。

Read Full Post »

Posted By Mr. Thursday
在提到「探索人類的大腦」以及「神經元與動作電位」之後，本篇要和各位簡單介紹一下人類大腦的構造。之所以要認識我們的大腦，出發點是在於人工智慧想要在機器上實現人類的智力。最早的方法，就是人類利用「反省思考」的能力，來發現自己。然而這個方法有時候會有些問題，舉例來說：小時後我們也許想要觀察，我們是怎樣子睡著的？我們怎樣子從清醒、變成睡眠狀態？結果隔天醒來，發現自己又沒有看到睡著的那一剎那了。因此，現在有各種觀察儀器出爐，像是磁核共振、電極錄下神經的電位變化、以及基因工程等方法。今天就重點介紹大腦一些重要的區域，並提供相關的圖片和影片，讓各位可以對我們的大腦，有個基本的印象了！下面是人類的大腦的示意圖：

Read Full Post »

Posted By Mr. Thursday 
各位看到標題，如果沒有聽過KNN演算法，會不會覺得疑惑：KNN是甚麼呢？是不是CNN看久了，就變成DNN、ENN、最後變成KNN了呢？當然不是啦 XD！KNN全名是k-th nearest neighbor，中文意思是「第k位最接近的鄰居」。甚麼是「第k位最接近的鄰居」呢？假設在一個廣場上，有100個朋友，每位朋友都是你的鄰居，最接近你的鄰居，就是「第一位距離最近的鄰居」了，比第一位稍微遠一點的鄰居，就是「第二位距離最近的鄰居」了，以此類推，第10位距離最近的鄰居，就是k=10的時候了。
至於KNN演算法是甚麼，又有甚麼特別呢？之前提過了「人工智慧與機器學習」。KNN演算法就是一種機器學習的演算法。在進一步探討甚麼是KNN演算法之前，我們先介紹一下甚麼是演算法。演算法可以看成是一種「步驟」的集合。舉例來說：我們煮一道菜，第一步是先洗菜，第二步切菜，第三步放油，第四步快炒，第五步加點水悶幾分鐘，第六步再炒幾分鐘，最後第七步加鹽和味精，然後炒到菜煮熟為止。演算法就是這樣子，把工作分成詳細的步驟，有些步驟可能會重複執行，像是菜不夠鹹，就再加點鹽，一直到口味對了為止。有時候會依照情況的不同而有不同的步驟，像是過馬路的時候，如果是紅燈，我們重複「等待」的步驟，如果是綠燈，我們會進行「走路過斑馬線」的步驟。

Read Full Post »

Posted By Mr. Thursday 
上次「神經元與動作電位」文章裡面可能專有名詞多了一些，讓各位不是很容易就能吸收，因此我在這邊嚐試著用比較淺顯易懂的比喻方式，解說一下甚麼是動作電位了！
首先我們可以想像我們每個人是一個神經元，我們從別的人身上面讀取訊號，然後也會把自己的訊號傳給別人。我們長長的手臂，就像是神經元的「軸突」一樣，負責把訊號從自己身上傳出去。我們的頭髮有點像是「樹突」，像一根根的樹枝一樣，負責接收別人傳來的訊息。神經元之間聯繫的方式，是軸突搭在另一個神經元的細胞表面，或是搭在樹突上面，就有如我們的手放在別人的頭髮裡面，準備把訊息傳給別人，別人再用頭髮接收訊息。

Read Full Post »

Posted By Mr. Thursday

從爬蟲類到人類，不管是簡單的或複雜的神經系統，都讓動物具有快速傳遞訊息能能力，使得我們無論是知覺或是運動，可以立即反應，而不是等待一陣子以後才反應過來。我們的神經系統包含了神經元和他們之間的連結，大致上可以分成中央神經系統 (CNS: Central Nerve System)和周邊神經系統 (PNS: Peripheral Nerve System)。中央神經系統包含了大腦和脊椎神經，其他地方就是周邊神經系統了。每一個神經細胞都可以產生動作電位(Action potential)，將刺激從某個神經細胞傳給下一個神經細胞，達成傳遞訊息的任務。下圖是一個神經細胞的示意圖：

Read Full Post »

Posted By Mr. Thursday
在簡單介紹了人工智慧與機器學習之後，我們知道機器學習過程包括了訓練 (training) 和預測 (prediction) 的過程，學習 (learning) 方法從資料 (data) 裡面的特徵 (feature)，建立起模型 (model)，再用來預測 (prediction)。現在讓我們簡單比較一下人和機器的不同點。我們先用下面幾個面向來分析：生理、心理、工作效率、以及智力。

Read Full Post »

Posted by Mr. Thursday
人工智慧(Artificial Intelligence)簡稱A.I.。在一些電影裡面，我們可能會看到具有智慧的機器人，和人類一樣可以說話，能夠幫忙人類工作，有時候還會出現統治人類的劇情。其實能夠創造出一部機器，具有人類的智慧，對我們來說即使不是最好的，至少也是好壞參半。有了人工智慧，一些比較枯燥乏味，卻又需要人類的能力才能完成的工作，就可以交給機器來處理。至於人工智慧衍生出來的失業問題、倫理問題、甚至人類將來安危的問題，雖然不容易解決，但是就現階段人工智慧的發展，也許要下一個世代，才需要煩惱這些問題了，目前人工智慧的產品還沒有到讓人類面臨危機的地步。

Read Full Post »

Posted by Mr. Thursday 
上回和各位提到神經生物在分子細胞層的機制有很多研究的空間，像是長期記憶在LTP(long-term potentiation)的機制的研究。本篇就先針對基因表現(gene expression)的過程做個簡單的介紹，作為之後簡介神經生物的分子機制的基礎。如果有學過基礎生物的讀者可以當成是複習，沒學過的我會用看的懂的方式來解說，未來有興趣往生物資訊、醫學資訊、或是計算神經學的讀者，也可以由這一篇補充一些基礎知識了:)

Read Full Post »