AI (Artificial Intelligence) 包括了許多不同的技術，通常分為三個主要類別，這些技術已經被用於許多不同領域，如自動駕駛，醫療領域，金融領域等。
機器學習 (Machine Learning)
通過訓練數據來讓計算機學習如何解決問題，是一門研究如何使電腦通過學習來改善其預測或行為的科學。它是人工智能的一部分，能夠學習演算法包括經典算法如線性回歸和邏輯回歸，以及深度學習算法如卷積神經網絡 (CNN) 和長短期記憶網絡 (LSTM)。
機器學習分為三個主要類型:
監督學習 (Supervised Learning)
通過提供帶有標籤的訓練數據來訓練模型，讓模型學會如何對新數據做出預測， 是一種機器學習方法，它使用帶有標籤的訓練數據來訓練模型，讓模型學會如何對新數據做出預測。監督學習是目前最常用的機器學習方法之一，包括經典算法如線性回歸和邏輯回歸，以及深度學習算法如卷積神經網絡 (CNN) 和長短期記憶網絡 (LSTM)。
監督學習分為兩種主要類型:
1.分類 (Classification)
輸入數據屬於某一類別，例如垃圾郵件分類器將電子郵件分為垃圾郵件和非垃圾郵件兩類。
2.回歸 (Regression)：
預測數值，例如預測房價或股票價格。
非監督學習 (Unsupervised Learning)
在沒有標籤的情況下，讓模型學習數據之間的關係。是一種機器學習方法，它在沒有標籤的情況下讓模型學習數據之間的關係。非監督學習的目的是尋找數據中的隱藏模式或結構。
非監督學習算法包括聚類算法如 K-means 和層次聚類，降維算法如主成分分析(PCA)和線性判別分析(LDA)。非監督學習在領域如資料探勘，類比搜索和自然語言處理等都有應用。
非監督學習分為兩種主要類型:
1.聚類 (Clustering)：
將相似的數據分為同一群，例如客戶消費行為分群。
2.降維 (Dimensionality Reduction)：
將高維數據降維至低維空間，例如主成分分析 (PCA)。
強化學習 (Reinforcement Learning)
通過讓模型在模擬環境中學習，來改善其行為。是一種機器學習方法，通過讓模型在模擬環境中學習，來改善其行為。在強化學習中，模型稱為 agent，而環境稱為 environment。
在強化學習中，包括 Q-學習， SARSA 以及 DQN (Deep Q-Network) 等。在領域如游戲，機器人控制，自動駕駛等都有應用。agent 通過不斷採取動作 (action)，獲得獎勵 (reward) 來學習。獎勵可以是正的或負的，用來評估 agent 的行為是否達到了預期目標。
強化學習分為兩種主要類型:
1.策略梯度 (Policy Gradient)：
通過直接優化 agent 的策略來學習。
2.Q-學習 (Q-Learning)：
通過學習狀態-動作價值函數來學習。
深度學習 (Deep Learning)
深度學習 (Deep Learning) 是一種特殊的機器學習方法，它使用了深層神經網絡 (Deep Neural Network) 來解決問題，網絡結構通常由多層網絡組成，每層網絡都對數據進行高度處理，提取出重要的特徵。
深度學習的演算法有許多種，如卷積神經網絡 (CNN)、長短期記憶網絡 (LSTM)、生成對抗網絡 (GAN)等。許多領域都有廣泛應用，如自然語言處理、視覺識別、自動駕駛等。因為深度學習模型的能力能夠自動學習高級特徵，所以能夠在大量數據和複雜問題上取得出色的表現。
自然語言處理 (Natural Language Processing, NLP)
是人工智能中的一個領域，旨在使計算機能夠理解和生成人類語言，處理涵蓋了許多不同的任務和技術，技術包括基於規則的方法和基於學習的方法。基於學習的方法通常使用深度學習模型，如語言模型 (Language Model)，可以在處理自然語言時取得很好的效果。
1.語音識別 (Speech Recognition)：將語音轉換為文本。
它使計算機能夠識別和理解人類語音，並將其轉換為文本。通常分為兩個主要部分: 語音識別引擎和語音辨識模型。語音識別引擎負責收集和錄製語音輸入，而語音辨識模型則負責將語音轉換為文本。
常見的語音識別技術包括基於模型的方法和基於統計的方法。基於模型的方法通常使用隱馬爾可夫模型 (HMM) 或神經網絡 (NN) 模型，基於統計的方法通常使用 n-gram 模型。
2.語音合成 (Speech Synthesis)：將文本轉換為語音。
它使計算機能夠識別和理解人類語音，並將其轉換為文本，通常分為兩個主要部分: 語音識別引擎和語音辨識模型。語音識別引擎負責收集和錄製語音輸入，而語音辨識模型則負責將語音轉換為文本。
常見的語音識別技術包括基於模型的方法和基於統計的方法。基於模型的方法通常使用隱馬爾可夫模型 (HMM) 或神經網絡 (NN) 模型，基於統計的方法通常使用 n-gram 模型。
3.語言翻譯 (Machine Translation)：將一種語言翻譯成另一種語言。
它使計算機能夠將一種語言翻譯成另一種語言，通常分為兩個主要部分: 源語言到目標語言的翻譯模型和目標語言到源語言的反翻譯模型。翻譯模型負責將源語言文本轉換為目標語言文本，而反翻譯模型則負責將目標語言文本轉換為源語言文本。
常用的機器翻譯技術包括基於規則的方法和基於統計的方法。基於規則的方法通常使用語法和詞典來確定翻譯規則，而基於統計的方法則通常使用大量的翻譯語料庫來學習翻譯模型。
4.自然語言理解 (Natural Language Understanding)：理解文本中的意思。
是人工智能中的一個領域，旨在使計算機能夠理解人類語言的意義，許多不同的任務和技術，技術包括基於規則的方法和基於學習的方法。
意義分析 (Semantic Analysis)：理解文本中的意思。
語義角色標記 (Semantic Role Labeling)：確定文本中各個角色的語義貢獻。
語義關係提取 (Semantic Relation Extraction)：提取文本中各個實體之間的語義關係。
情感分析 (Sentiment Analysis)：確定文本中情感的極性 (正面或負面)。
文本自動生成 (Text Generation)：自動生成文本。