訊號處理
訊號處理關心的是信號的表示、變換和運算，以及它們所包含的訊息。
訊號處理可以用於溝通人類之間，或人與機器之間的聯繫；用以探測我們周圍的環境，並揭示出那些不易觀察到的狀態和構造細節，以及用來控制和利用能源與訊息。例如，我們可能希望分開兩個或多個多少有些混在一起的訊號，或者想增強訊號模型中的某些成分或參數。
幾十年來，訊號處理在諸如語音與數據通信、生物醫學工程、聲學、聲納、雷達、地震、石油勘探、儀器儀表、機器人、日用電子產品以及其它很多的這樣一些廣泛的領域內起著關鍵的作用。
包含：
- 類比訊號處理 --- 處理未被數位化的訊號，包括傳統收音機、電話、雷達以及電視系統。
- 數位訊號處理 --- 處理已經經過數位化的訊號，可經由數位電路如ASIC、FPGA、一般用途的微處理器或是電
腦、數位訊號處理晶片來進行處理。
- 統計訊號處理 --分析並萃取信號的資訊。
- 陣列訊理 --- 處理感應器陣列的信號。
- 語音處理 --- 處理說出來語音中的字。
- 聲音處理
圖像處理
- 影音處理
資料來源: http://en.wikipedia.org/wiki/Signals_processing
眼動儀
眼動儀(Eye Tracker)是一種測量眼睛的移動以及位置的設備。這個儀器可以用來追蹤眼球移動的軌跡，它可以應用在一些與眼球定位有關的研究議題上，例如：廣告應該放在網頁的哪裡、不同腦傷部位的病人在看頁面時的偏好；在實際應用上，寫時間簡史的大師史蒂芬.霍金便是利用具眼球追蹤技術的電腦幫助他處理出他要表達的文字。
資料來源: http://en.wikipedia.org/wiki/Eye_tracker
人工智慧
人工智慧（Artificial Intelligence或簡稱AI），是指由人工製造出來的系統所表現出來的智能。這裡，“人”也可以廣義理解為任何生命體，比如說外星人，如果它們真的存在的話。通常人工智慧是指通過普通電腦實現的智能。該詞同時也指研究這樣的智能系統是否能夠實現，以及如何實現的科學領域。
人工智慧的定義可以分為兩部分，即“人工”和“智能”。“人工”比較好理解，爭議性也不大。有時我們會要考慮什麼是人力所能及製造的，或著人自身的智能程度有沒有高到可以創造人工智慧的地步，等等。但總的來說，“人工系統”就是通常意義下的人工系統。
關於什麼是“智能”，就問題多多了。這涉及到其它諸如意識（consciousness）、自我（self）、思維（mind）（包括無意識的思維（unconscious_mind）等等問題。人唯一瞭解的智能是人本身的智能，這是普遍認同的觀點。但是我們對我們自身智能的理解都非常有限，對構成人的智能的必要元素也瞭解有限，所以就很難定義什麼是“人工”製造的“智能”了。因此人工智慧的研究往往涉及對人的智能本身的研究。其它關於動物或其它人造系統的智能也普遍被認為是人工智慧相關的研究課題。
人工智慧目前在電腦領域內，得到了愈加廣泛的重視。併在機器人，經濟政治決策，控制系統，模擬系統中得到應用。
資料來源: http://en.wikipedia.org/wiki/A
Neural Networks
人工神經網路(Artificial Neural Networks,ANN)是一種應用類似於大腦神經突觸聯接的結構進行信息處理的數學模型。在這一模型中，大量的節點（或稱 「神經元」，或「單元」）之間相互聯接構成網路，即「神經網路」，以達到處理信息的目的。
通常ANN由三部分組成:
- 輸入層(Input layer),眾多神經元(Neuron)接受大量非線形輸入信息。輸入的信息稱為輸入向量。
- 輸出層(Output layer),信息在神經元連結中傳輸、分析、權衡,形成輸出結果。輸出的信息稱為輸出向量。
- 隱藏層(Hidden layer),簡稱「隱層」，是輸入層和輸出層之間眾多神經元和連結組成的各個層面。隱層可以有多層。隱層的節點(神經元)數目不定，但數目越多神經網路的非線性越顯著，從而神經網路的魯棒性更顯著。
而通過訓練樣本的校正，對各個層的權重進行校正(learn)的過程，稱為自動學習過程(training)。
資料來源: http://en.wikipedia.org/wiki/Artificial_Neural_Networks
SVM
Support Vector Machine (SVM)是個起源跟類神經網路有點像的東西，不過現今最常拿來就是做分類(classification)。 也就是說，如果我有一堆已經分好類的東西（可是分類的依據是未知的！），那當收到新的東西時， SVM 可以預測 (predict) 新的資料要分到哪一堆去。
資料來源: http://en.wikipedia.org/wiki/Support_vector_machine
Machine Learning
機器學習(Machine Learning)，是人工智慧的一個子領域，主要關注於開發一些讓電腦可以自動「學習」的技術。更具體說，機器學習是一種用於創建數據集分析分析程序的方法。機器學習跟統計學有著重要的關係，因為這兩個領域都是研究數據分析，但是又不像統計學，機器學習關注的是計算實現的演算法複雜度。很多推論問題屬於無程序可循難度，所以部分的機器學習研究是開發容易處理的近似演算法。
機器學習已經有了十分廣泛的應用例如搜索引擎、醫學診斷、檢測信用卡欺詐、證券市場分析、DNA序列測序、語音和手寫識別、戰略遊戲和機器人運用。
資料來源: http://en.wikipedia.org/wiki/Machine_Learning
Natural Language Processing
自然語言處理(Natural Language Processing) 是人工智慧和語言學領域的分支學科。在這此領域中探討如何處理及運用自然語言；自然語言認知則是指讓電腦「懂」人類的語言。
早期的語言處理系統如SHRDLU，當它們處於一個有限的「積木世界」，運用有限的辭彙表會話時，工作得相當好。這使得研究員們對此系統相當樂觀，然而，當把這個系統拓展到充滿了現實世界的含糊與不確定性的環境中時，他們很快喪失了信心。
由於理解(understanding)自然語言需要關於外在世界的廣泛知識以及運用操作這些知識的能力，自然語言認知同時也被視為一個人工智慧完備(AI-complete)的問題。同時，在自然語言處理中，"理解"的定義也變成一個主要的問題。
資料來源: http://en.wikipedia.org/wiki/Natural_Language_Processing
|