2017/1/16 應邀演講 腦機介面控制實作社 主辦 人腦與機器的對話-漫談腦機介面與人工智慧 行政院青創基地 Taiwan Start-Up Hub

1. +
漫談人工智慧

2. +
神經元 (neuron) 示意圖

3. +
神經元間的溝通之處
突觸 (synapse)

4. +
跳耀式傳導 (saltatory conduction)

5. +
動作電位 (action potential)

6. +
皮質柱 (Cortical Column)
相同的接受域 (receptive field)

7. +
聯結體 (connectome)
神經系統連接線路圖

8. +
長期增益作用
(long-term potentiation, LTP)
刺激輸入神經元而發生在突觸前神經元和突觸後
神經元信號傳輸產生一種持久的增強現象。

9. +
海柏學習法則
(Hebb’s learning rule)
突觸前神經元向突觸後神經元持續重複的刺激，
使得神經元之間的突觸強度增加。

10. +
人工神經元模型

11. +
常用激活函數 (activation function)
Sigmoid function

12. +
常用激活函數
Softmax function

13. +
常用激活函數
Hyperbolic tangent

14. +
常用激活函數
Rectified linear unit (ReLU)

15. +
感知機 (perceptron) 模型

16. +
多層感知機
(multi-layer perceptron)

17. +
卷積神經網路
(convolutional neural networks)

18. +
卷積神經網路
(convolutional neural networks)

19. +
卷積神經網路
Convolutional layer
 Depth (D): filter ( 或稱 kernel) 組數
 Stride (S): 每一次 kernel 移動的間
隔
 Zero padding (P): 每一輸入邊緣填
0 的寬度
若以 W 表示輸入寬度大小， F 表示
filter 寬度大小， 卷積運算後
feature map 的寬度大小公式為：
D 個 [(W - F + 2P) / S] + 1

20. +
卷積神經網路
Convolutional layer

21. +
卷積神經網路
Pooling layer

22. +
卷積神經網路
Local receptive field

23. +
卷積神經網路
Weight sharing
 此處 w1 = w4 = w7, w2 = w5 = w8, w3 = w6 = w9
 具有 translational invariance 的特性

24. +
目標函數 (objective function) / 損
失函數 (loss function)
 最小化目標函數 J
x*
= arg min J(x)
 Mean square error
 Cross entropy

25. +
隨機梯度下降
(stochastic gradient descent, SGD)

26. +
隨機梯度下降 (SGD)
minibatchminibatch

27. +
倒傳遞演算法 (Back-propagation)

28. +
神經網路模型何其多
 Hopfield model
 Self-organizing feature map
 Grossberg Network
 Adaptive Resonance Theory
 Neocognitron
 Hierarchical temporal memory
 Recurrent neural networks
 Spiking neural networks
 ……

29. +
人工智慧
機器學習 傻傻分不清楚
深度學習
人工智慧的未來