#資料科學家必學的機器學習先修課
#早鳥8折倒數2週

❓ 除了會寫程式，演算法背後的數學基礎你理解了嗎？
就像蓋一棟房子，地基要扎實房子才會穩，在資料科學領域中，學習數學與統計就像打地基，當地基不穩時，房子就會容易垮，唯有掌握數學與統計基礎觀念，你的機器學習才會穩。

🏆 一次打好統計數學6基礎
課程內容包含54個單元(33個課程影片+21個自我測驗)，共5.8小時課程，內容深入淺出搭配經典案例與圖表說明，從高中數學基礎開始複習，並帶你延伸到機器學習中的實際運用與實作，讓初學者補上斷層，輕鬆理解機器學習的應用與概念。

📌 強化機器學習基本功
✔ 向量、矩陣和張量實作
✔ 範數與特徵分解實作
✔ 梯度視覺化實作
✔ 機率分佈視覺化實作
✔ 協方差矩陣計算實作
✔ 假設檢定實作（A/B Test）
✔ 運用數學基礎進行機器學習實作
✔ 運用數學基礎進行深度學習實作

❤️ 免費試閱專區：
🔑 課程規劃與範疇：https://www.tibame.com/course/1972/mission/31433

🔑 基礎幾何
https://www.tibame.com/course/1972/mission/30699

🔑 梯度視覺化實作
https://www.tibame.com/course/1972/mission/30711

📢 早鳥課程連結：
👉 https://bit.ly/3gLrEjh

台灣在過去一兩年之間「外送」成為很多人重要的餐飲解決方案，特別是在疫情影響下，更是加速了普及的過程。但是，我們其實很少關注外送員真實的處境，特別是他們和人工智慧演算法之間的互動到底是什麼樣的狀況？

這篇來自【雲端上的中國】分享了最近在中國引發熱烈討論的一篇介紹「外賣系統」對於外賣騎手影響的文章，帶我們看到中國的外賣騎手如何受到演算法系統的影響，被困囿在反饋的機制當中動彈不得。這也讓我們進一步反思台灣現在的外送平台與外送人員之間的關係，以及當代人在面對人工智慧「演算法」時可能會遭遇的困境。

---------------------------------
導航

為了完成課題研究，孫萍在近4年的時間裡接觸了近百名外賣騎手，其中很多人都曾抱怨過系統給出的送餐路線。

為了讓騎手更專註地送餐，這個智能系統會最大限度地取代人腦——幫騎手規劃多個訂單的取送餐順序，並為每一單提供送餐路線導航，騎手們不需要自己動腦，只需要根據系統的提示去完成，也同時承擔被帶入「歧途」的風險。

有時，導航會顯示一條直線。一位騎手曾憤怒地對孫萍說：「它（演算法）基於直線距離預測時間長短。但我們送餐不是這樣，需要繞路，還要等紅綠燈……」

「昨天，我送了一個單子，系統顯示五公里，結果，我開了七公里。系統當我們是直升機，但我們不是。」

有時，導航還會包含逆行的路段。

2019年10月，貴州騎手小刀在知乎發帖稱，美團有引導騎手逆行的情況。

在同《人物》的交流中，他說，自己剛剛做了半年騎手，已經遇到過好幾次指引他逆行的導航。其中一次是送餐去一家醫院，正常行駛需要掉頭，而美團導航上的路線則是橫穿馬路後逆行，根據他提供的截圖，逆行路線接近2公里。

「還有更厲害的，」小刀說，「有些地方不方便逆行，如果有過街天橋，系統導航會讓你從天橋過去，包括那種不允許電動車上去的天橋。還有圍牆，它會讓你直接穿牆過去。」

在北京，短視頻博主曹導也遇到了同樣的狀況。為了職業體驗，她做了不到一周的美團騎手，令她驚詫的是，當她接單後，系統導航出現的居然是步行模式——步行沒有正行逆行之分，而系統給出的配送時間，則根據最短的路線計算，其中包含大量的逆行路段。

在小刀看來，無論是直線還是逆行，系統的目的都達到了——系統會依據導航計算出的送餐距離和時間支付配送費，路程短了，時間少了，既為外賣平台黏住了更多的用戶，還壓縮了配送成本。

無限遊戲
在發布外賣騎手體驗視頻時，曹導正在自駕環中國拍攝新的作品，在前往西藏無人區的路上，跟《人物》回憶起自己做騎手的那幾天，她仍感覺窒息。

作為系統的短期體驗者，曹導提出了一個建議：可以讓外賣平台所有的產品經理和演算法工程師都去當一個月騎手，「這樣。他們才會知道這個系統對人的壓迫有多麽嚴重。」

在一篇講述美團系統如何將配送時間縮短至28分鐘的報導下，一位騎手也提出了相同的建議：「要不你們親自來一線送個三兩天試試？看看不闖紅燈、不逆行、不狂飆，你的28分鐘怎麽送。」

某種程度上，這種建議與數據社會學家尼克·西弗不謀而合。

西弗曾提出過「演算法文化」的概念。在他看來，「演算法不僅由理性的程序形成，還由制度、人類、交叉環境和在普通文化生活中獲得的粗糙-現成的理解形成」。

他認為，演算法是由「人類的集體實踐組成的」，並建議，研究者應該人類學地探索演算法。

作為學者，孫萍完全認同西弗的觀點，但現實中的演算法，依然更多地建立在數字邏輯的基礎上。

「加強程序員的培訓和價值導向很重要。但目前國內的情況是，程序員大部分都是理工的直線性思維，很少有社會科學的這種思維，所以，他們對於公平和價值的這些問題，理念上都比較欠缺。」

在調研的過程中，孫萍也與一些參與演算法的程序員有過交流，她發現，程序員們有自己的邏輯，也會考慮到各種突發事件，但是，程序員只是執行者，並不是規則的制定者，「規則的制定者是外賣平台，而程序員也只是在履行平台的決定。」

(以上引用網頁原文)

https://chinaqna.com/a/115662?fbclid=IwAR3VAlaarvt1MQL2N79LKj4kY8eI0B9V3aJxwKyIYz4mWOFUL1TeegGGuYA

AI演算法模型於交通運輸市場應用

科技產業資訊室 (iKnow) - 何思穎、張小玫 發表於 2020年4月28日

由於大眾對汽車及駕駛員安全、運輸成本降低以及自駕車發展的關注度日益提升，導致人工智慧（AI）在運輸市場中快速成長。2017年市場價值為14億美元，預計到2023年將達35億美元，2018-2023年的複合年均成長率（CAGR）為16.5%。AI在運輸業中涉及電腦視覺（computer vision）、深度學習（deep learning）和自然語言處理（natural language processing）。

AI系統將會嵌入攝影機、雷達偵測（RADAR）感測器以及光達（LiDAR）等硬體設備，進而安裝在測試中的全自動駕駛車內，包括AI應用程式分為：人機界面（HMI）和先進駕駛輔助系統（ADAS）。AI產品分為軟體和硬體。2013-2017年以軟體主導了市場且預計2018-2023年期間也將持續主導地位，這要歸因於HMI應用程式中，軟體作為平台部署的情形成長，譬如Microsoft Azure。

交通運輸之AI演算法模型，如下：

類神經網路（ANNs）

說明：類人腦之神經網路，透過先前的經驗和變化權重的資料點（data point）來做出決策。類神經網路可以透過處理大量資料解決複雜的問題，檢測非線性關係。

用途：部份較複雜的全球定位系統（GPS）透過GPS、加速儀（accelerometer）和磁量計（magnetometer）搜集資料，利用類神經網路來決定運輸模式。類似於人類透過多個資料點的考量來「感受」距離。此外，在公共場合中應用類神經網路模型可以幫助預測公車抵達公車站的時間。

類免疫系統（AIS）

說明：該演算法的靈感來自於人類生物學，特別是人體如何對又稱為抗原的致病原（disease-causing agent）做出反應。AIS模擬了人體免疫系統的特徵抽取（feature extraction）、圖形辨識（pattern recognition）、學習和記憶。

用途：AIS在圖形辨識、異常檢測（anomaly detection）、分群（clustering）、最佳化（optimization）、規劃（planning）和排程（scheduling）。工程師利用AIS創建了即時調整支援系統，以在網路受到干擾時，幫助公共運輸網路找到解決方案。

模糊邏輯模型（Fuzzy Logic Model）

說明：模擬人類的決策制訂而來的，模糊邏輯指定資料於0到1之間的數值以展現不確定性。該系統已經使用了30多年，最適用於條件模糊且每個動作的結果都是未知的情況。

用途：模糊邏輯具有模擬曖昧且不明確的交通及運輸規劃問題的潛力，同時具備交通控制應用程式，因為模糊邏輯可以在十字路口發出時間訊號，決定汽車應該停留的時間長度。

蟻群最佳化演算法（ACO）

說明：該演算法模擬了蟻群的行為，就是螞蟻根據自己選擇較短路徑以及其他路徑的螞蟻透過費洛蒙分享經驗的選擇方式。該機制幫助螞蟻在兩點之間找尋最快路線。在電腦科學中，這個問題也被稱為旅行推銷員問題（Traveling Salesman Problem），其中一個推銷員必須拜訪X個城鎮，然後以最小的成本回到起點。

用途：蟻群演算法可以用於選擇更好的公共交通巴士路徑，也可以用於沿途接客的共乘平台，如：Uber Pool。
蜂群最佳化演算法（BCO）

說明：與ACO相似，該算法以蜜蜂的集體覓食運動為例，體現了有組織的團隊工作、協作和緊密溝通。蜜蜂在蜂巢內的運動幫助科學家最佳化汽車的移動。

用途：蜂群演算法可以用於最佳化旅行路徑，減少通勤時間、等待次數、延遲以及空氣／噪音汙染。如：AirB&B

企業合資及併購活動方面，大型汽車OEM製造商正收購具技術取向的新創產業，並且從自動駕駛卡車及其他商業用車輛切入市場。譬如，特斯拉於2017年11月推出具有半自動功能的電動卡車（semi-truck）。此外，nuTonomy Inc.、TuSimple Inc.和Nauto Inc.等新創企業也正著手製造配有自動駕駛系統的商用車和客車。因此，製造商跨業整合會越來越多及著重安全性考量的自駕車技術，正在擴展市場的進步。

附圖：圖、AI演算法模型於交通運輸市場應用
圖、AI在全球運輸市場中價值成長

資料來源：https://iknow.stpi.narl.org.tw/Post/Read.aspx?PostID=16578