Add Traditional Chinese Translation for README and Assignment 1

lessons/1-Intro/translations/README.zh-HK.md

@@ -0,0 +1,148 @@
+# AI簡介
+
+![漫畫總結人工智能](../sketchnotes/ai-intro.png)
+
+> 插圖作者 [Tomomi Imura](https://twitter.com/girlie_mac)
+
+## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/101)
+
+**人工智能** 是一門令人興奮的學科，研究如何使使計算機表現智能行為，例如可以執行人類擅長的工作。
+
+最初的電腦由[Charles Babbage](https://en.wikipedia.org/wiki/Charles_Babbage) 發明，用來執行算法—，即對數字進行定義明確的程序運算。即使現代電腦儘管比十九世紀的原始模型先進得多，但依然遵循著受控計算的思想。因此，如果我們知道達成目標所需的確切步驟序列，就有可能編程讓電腦去做某件事情。
+
+![人像照片](images/dsh_age.png)
+
+> 照片來自[Vickie Soshnikova](http://twitter.com/vickievalerie)
+
+> ✅ 從一個人的照片中確定他/她的年齡是一項無法明確編程的任務，因為我們不知道估算年齡時，我們的腦袋是如何想出一個數字的。
+
+---
+
+然而，有些任務我們並不確切知道如何解決。例如通過照片確定一個人的年齡。我們不知不覺地掌握估算年齡的技能，因為我們見過許多不同年齡的人的例子，但我們不能明確地解釋如何做到這一點，也不能編程讓電腦去做。這正是**人工智能**（簡稱AI）感興趣的任務類型。
+
+✅ 想一想電腦的人工智能可以幫你完成什麼任務？諸如金融、醫藥和藝術等領域將會如何通過AI獲益？
+
+## 弱AI與強AI
+
+解決特定的人類問題，例如從照片中確定一個人的年齡，屬於**弱AI**範疇。因為我們只是創建一個只能解決一項任務的系統，而不是像人類一樣，可以解決各種問題。當然，開發普遍智能的電腦系統從各個角度來說都十分有趣，對於學習意識哲學的學生來說亦是如此。這類AI被稱為**強AI**，或**[人工通用智能](https://en.wikipedia.org/wiki/Artificial_general_intelligence)** (AGI).
+
+## 智能的定義與圖靈測試
+
+**[智能](https://en.wikipedia.org/wiki/Intelligence)**一詞並沒有清晰的定義。人們可以說智能與**抽象思維**或者**自我意識**有關，但我們依然未能恰當地定義這個詞。
+
+![一隻貓](images/photo-cat.jpg)
+
+> [照片](https://unsplash.com/photos/75715CVEJhI)作者[Amber Kipp](https://unsplash.com/@sadmax)來自Unsplash
+
+為了證明*智能*定義的模糊，請嘗試回答這個問題：“貓有智慧嗎？”。對於這個問題，不同的人往往會有不同的答案，因為沒有一個公認的測試去證明這論述。如果你認為貓有智能，那麼你可以試試讓貓咪通過智商測試……
+
+✅ 想一想你會如何定義智力。一隻能夠走出迷宮獲得食物的烏鴉是有智力的嗎？一個孩子是聰明的嗎？
+
+---
+
+在討論人工通用智能時，我們需要一些方法證明我們真的創造了一個真正的智能係統。[阿蘭·圖靈](https://en.wikipedia.org/wiki/Alan_Turing) 提出了**[圖靈測試](https://en.wikipedia.org/wiki/Turing_test)**的方法，用來判斷一個系統是否智能。測試會將具有智慧的人類與該系統比較，由於自動化的對比有可能被電腦程序繞過，所以評估的過程由人類進行。在比較過程中，如果人類無法在基於文本的對話中區分真人和計算機系統，那麼該系統就被認為是智能的。
+
+> 一個在聖彼得堡開發的名為[Eugene Goostman](https://en.wikipedia.org/wiki/Eugene_Goostman)的聊天機器人在2014年利用小聰明通過了圖靈測試：它事先說自己是一位來自烏克蘭的十三歲男孩，這為之後對話中知識和語言的欠缺找到了理由。五分鐘對話後，這款聊天機器人令30%的評委相信他是人類。圖靈曾經預測，在2000年就會出現通過圖靈測試的機器，但是我們應該明白，這個個聊天機器人並不代表我們已成功創造了智能系統，或者系統愚弄了人類，而是機器人的創造者愚弄了人類！
+
+✅ 你有沒有被聊天機器人騙過，以為你在和人類對話？它是如何令你信服的？
+
+## 實現AI的不同方法
+
+如果我們想讓計算機的行為像人一樣，我們需要想辦法令電腦模擬我們的思維方式。因此，我們需要瞭解是什麼讓人類變得聰明。
+
+> 為了能通過編程令電腦變智能，我們需要了解自己是如何做出決策的。如果你自我反省一下，就會發現有些過程是下意識發生的。比如，我們可以不假思索地分辨貓和狗，而其他的判斷可能會用到推理。
+
+為了解這一問題，有兩種方法：
+
+自上而下的方法 （符號推理） | 自下而上的方法 （神經網絡）
+---------------------------------------|-------------------------------------
+自上而下的方法是對一個人解決問題的方式進行建模。包括從人類身上獲取**知識**，之後用電腦可理解的方式表達出來。我們還需要讓電腦具備**推理**能力。 | 自下而上的方法模擬了人腦結構，有數量龐大的簡單單元組成，稱為**神經元**。每個神經元將接收的數據進行加權平均運算。我們可以向一個神經網絡提供**訓練數據**，以解決實際問題。
+
+還有一些其他實現智能的方法：
+
+* 複雜的智能行為可以通過大量簡單單元間的互動實現，**湧現**/**協同**或**多智能體系統**的設計便是基於此。根據[進化控制論](https://en.wikipedia.org/wiki/Global_brain#Evolutionary_cybernetics)，智能可以通過相對簡單、應激性的行為中*反映*出來。這一過程被稱為*元系統躍遷*。
+
+* **進化法**或**遺傳算法**是一個基於進化原理的優化過程。
+
+我們會在課程後期討論這些方法，但目前我們暫時關注自上而下和自下而上這兩種方法。
+
+### 自上而下的方法
+
+在**自上而下的方法**中，我們想辦法對推理進行建模。因為我們在推理時思維可以逐步遞進，所以我們試著將此過程鑄成體系，在電腦中通過編程呈現相同的過程。這叫做**符號推理**。
+
+人們的腦中往往有一些規則來指導他們的決策。例如當醫生診斷病人時，發燒可能代表這位病人身體有炎症，從而醫生會對症下藥。應用一大套規則去解決某一個具體問題時，醫生就會得出最終的診斷結果。
+
+這種方法十分依賴**知識再現**和**推理**。從人類專家的腦中提取知識應該是最難的部分，因為一位醫生大多數情況下並不確切知道他/她是如何得出一個特定診斷的。某些情況下，結論不是通過明確的思考而得出的，比如通過照片估算一個人的年齡時，我們並不只是靠運用知識進行判斷的。
+
+### 自下而上的方法
+
+另一種方法是模擬我們大腦中最基礎的單位——神經元。我們可以在電腦中構建**人工神經網絡**，然後通過舉例來教它解決問題。這個過程類似於新生兒通過觀察來了解周遭環境。
+
+✅ 對嬰兒的學習過程做一些研究。嬰兒大腦的基本要素是什麼？
+
+> | 機器學習又是什麼？         |      |
+> |--------------|-----------|
+> | 人工智能中，電腦通過學習一些數據來解決問題的過程叫做**機器學習**。本課程將不討論經典的機器學習，欲知詳情可移步[機器學習入門](http://aka.ms/ml-beginners)課程。 |   ![機器學習入門](images/ml-for-beginners.png)    |
+
+## AI簡史
+
+人工智能領域開始於二十世紀中期。最初，符號推理方法盛行，也取得了不少成功實例。例如專家系統——它能夠在某些領域扮演專家的角色。但人們很快發現這種方法難以拓展。從人類專家那裡提取知識、在電腦中儲存並且令其再現其實是一個非常複雜的任務，而且成本高昂，並不實用。這導致了七十年代所謂的[AI寒冬](https://en.wikipedia.org/wiki/AI_winter)。
+
+<img alt="Brief History of AI" src="images/history-of-ai.png" width="70%"/>
+
+> 照片作者[Dmitry Soshnikov](http://soshnikov.com)
+
+隨著時間的推移，計算成本降低、可用的數據變多，於是神經網絡的方法開始在許多領域展現出與人類媲美的強大力量，比如電腦視覺和語音理解範疇。過去十年，人工智能大多被用作神經網絡的同義詞，因為我們聽到的大多數人工智能都是基於神經網絡而成功的。
+
+我們可以觀察算法的變遷，例如在創建國際象棋的電腦程序時：
+
+* 早期國際象棋程序以搜索為基礎。程序估算對手下幾步棋的走法，之後根據在這幾種可能的走法中選擇步數最少的最佳棋步。這便是屬於搜索算法中的[剪枝算法](https://en.wikipedia.org/wiki/Alpha%E2%80%93beta_pruning)。
+* 在對局的後期，搜索算法的效果很好，因為可能的落子位置不多。然而棋局開盤時的搜索空間巨大，算法可以通過學習人類棋手的比賽來改進。隨後的實驗採用了[案例式推理](https://en.wikipedia.org/wiki/Case-based_reasoning)算法，程序會在知識庫中搜索與當前棋局非常類似的案例。
+* 可以打敗人類棋手的現代程序基於神經網絡和[強化學習](https://en.wikipedia.org/wiki/Reinforcement_learning)，程序可以通過長時間與自己對弈，從自己的錯誤中學習——這和人類學習下棋是極其相似的。但是電腦程序可以在短時間內大量對局，學習的更快。
+
+✅ 調查一下AI還玩過哪些遊戲。
+
+同樣，我們也可以看到創造“交流程序”（可能通過圖靈測試）的方法轉變:
+
+* 早期的[Eliza](https://en.wikipedia.org/wiki/ELIZA)程序基於非常簡單的語法規則，可以將輸入的句子重新表述為一個問題。
+* 現代的語音助理如Cortana、Siri或者Google助手都採用了混合系統，使用神經網絡將語音轉換為文本，並識別我們的意圖，之後採用推理或特別的算法執行人類指令。
+* 我們在未來可能會擁有一個完整的基於神經的模型，可以自行處理對話。最近的生成式預訓練模型（GPT）和[圖靈自然語言生成模型](https://turing.microsoft.com/)系列的神經網絡在這方面顯示出了巨大成功。
+
+<img alt="the Turing test's evolution" src="images/turing-test-evol.png" width="70%"/>
+
+> 圖片作者Dmitry Soshnikov，[照片](https://unsplash.com/photos/r8LmVbUKgns)作者[Marina Abrosimova](https://unsplash.com/@abrosimova_marina_foto)，Unsplash
+
+## 近期的AI研究
+
+神經網絡的研究大爆發始於2010年左右，當時各種公共數據集開始能夠被人們獲取。龐大的圖像數據集[ImageNet](https://en.wikipedia.org/wiki/ImageNet)包含了大約1400萬張含有註釋的圖片，誕生了 which contains around 14 million annotated images, gave birth to the [ImageNet大規模視覺識別挑戰賽](https://image-net.org/challenges/LSVRC/).
+
+![ILSVRC準確度](images/ilsvrc.gif)
+
+> 圖片作者[Dmitry Soshnikov](http://soshnikov.com)
+
+[卷積神經網絡](../4-ComputerVision/07-ConvNets/README.md)於2012年首次用於圖像分類功能，大大降低了分類誤差（誤差由近30%降低至16.4%）。2015年，微軟研究院的ResNet架構[達到了人類準確度水平](https://doi.org/10.1109/ICCV.2015.123).
+
+從那時起，神經網絡在許多任務中表現出色：
+
+---
+
+年份 | 可達人類水平的任務
+-----|--------
+2015 | [圖像分類](https://doi.org/10.1109/ICCV.2015.123)
+2016 | [對話語音識別](https://arxiv.org/abs/1610.05256)
+2018 | [自動機器翻譯](https://arxiv.org/abs/1803.05567) (Chinese-to-English)
+2020 | [生成圖片說明](https://arxiv.org/abs/2009.13682)
+
+過去幾年裡，我們見證了大型語言模型諸如BERT和GPT-3的出色成績。這主要是因為有大量的文本數據可用來訓練模型，使模型理解自然語言的結構與意義，我們還可以預訓練語言模型，使其用於某些專門任務。我們稍後會學習更多[自然語言處理](../5-NLP/README.md)的內容。
+
+## 🚀 小挑戰
+
+先瀏覽一下互聯網，你認為AI的應用在哪裡最能發揮效能？地圖應用？語音轉文字應用？還是電腦遊戲？研究一下這些系統是如何建立的。
+
+## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/201)
+
+## 複習與自學
+
+複習[本課](https://github.com/microsoft/ML-For-Beginners/tree/main/1-Introduction/2-history-of-ML)內容，回顧人工智能和機器學習的歷史。從本課頂部的漫畫選取一個話題並進行更深入的研究，了解該話題演變的文化背景。
+
+**作業**: [聊聊遊戲](assignment.md)

lessons/1-Intro/translations/assignment.zh-HK.md

@@ -0,0 +1,3 @@
+# 聊聊遊戲
+
+電腦遊戲深受AI與機器學習影響，這個作業就是請你撰寫一篇短文，談一談受到AI影響的一款遊戲。這款遊戲應該有一定的歷史，在不同的電腦系統上運行過，例如國際象棋或圍棋，你也可以討論乒乓球或吃豆人遊戲。寫一篇短文討論這款遊戲的過去、現在和受人工智能影響的未來。