教師教材
本章透過數學函數的方法，說明人工智慧運作的基本原理，以及進行人工智慧的步驟，包括：提出問題、把問題轉化成函數的形式、收集歷史資料、打造一個函數學習機、學習（訓練）。同時，我們也透過淺顯易懂的範例，看到了「機器學習」領域中幾種經典的演算法。
本章介紹了神經網路的三大架構，包括標準神經網路 (NN)，還有卷積神經網路（CNN）和遞歸神經網路（RNN）。所有神經網路基本上都是由這三大架構組合而成。而在後面的章節中，會說明更多神經網路如何應用到各種有趣的問題上。
在本章中，我們學習了圖像識別的幾個主要概念。首先是圖片的預處理，我們介紹了空間濾波器的功能及特質、卷積運算的方法。接著，在深度學習的架構中，探討了深度神經網路，以及卷積層、池化層、全連接層、激活層、標準化指數層的作用。
本章說明了圖像與視頻的差異，並討論了深度學習如何將空間資料推廣到時空資料進行處理。在動作估計的小節中，我們掌握到時空特徵提取的技術，並學習如何將其應用於後續內容的物件追蹤與行為識別問題。物件追蹤與行為識別是其最重要的兩個議題。
本章節說明的音訊的基本聲學特徵，還有關於語音識別的基本概念。由於電腦運算能力的突飛猛進及內存容量的大幅增長，使用語音來進行和數位助理的對話、使用哼唱的方式來找到想聽到的歌，都不再是夢想。未來在音訊應用的方面，人工智慧能幫助我們做的事情還很多。
自然語言處理是人工智慧系統的核心技術之一，除了智慧問答系統、機器翻譯系統等應用外，輿情分析、病歷探勘、金融科技、健康照護、法律諮詢、烹飪教學等都有自然語言處理的影子。以「平行時空之師」所學到的自然語言處理概念爲基礎，再深入閱讀，便能延展到不同生活面向的智慧應用。
本章節說明了關聯規則探勘、序列樣式探勘、分類模型與聚類等知識發現技術。在『萬事連網路』的現代生活之中，這些關於『知識發現』的相關技術，除了可個別運用之外，也可互相整合，將其普及於你我的生活之中。利用各式客制化的服務與商品，極大化使用者的良好體驗。
在本章節中，我們介紹了現今在機器學習領域中最火紅的生成模型「生成對抗網路」的概念以及各式變種。生成對抗網路能夠生成幾可亂真的資料，在本文中我們舉了使用這個技術產生相片和漫畫作為例子，但這個技術有更多的應用，讓生成對抗網路在諸多領域的應用中獲得大量的關注。
強化學習引用行為主義心理學的概念，建立了代理人透過行動與環境動而得到獎勵的機制，並且經過不斷地訓練，逐步更新其學習函數。目前強化學習只能針對單一特殊領域做學習，當整個問題或是領域變換的時候，強化學習就凸顯出它無法跨領域學習的缺點，因此，每當遇到新的問題時，就要重新設計學習的架構。
