為什麼會有這系列文章
以下紀錄幾個我會寫這系列文章的理由：
- 培養長久做一件事情的能力，不因外力因素就中斷。
- 積累實力，打造履歷（學習歷程）。
- 分享、紀錄自己成長過程中，部分運用到的資源。
每日筆記
值得紀錄的道理
第一則
【宇宙洪荒，動靜有常，天象地形，變化始見矣，性情體用，恩害予奪，史更日易，變無窮數矣，坐望崑崙，觀變，習行，遵道，守德。】
第二則
【大成者，不著相，不急於學一方技能。人有陽壽，科技亦然，求科技者，如草原野兔，始量少，繁衍迅速，終無草食。】
第三則
【萬物本無名，有名而定性，生質】
上面幾則皆是老師給我的教導，我非常喜歡接收、省思這些道理。我不怕自己無法理解這些（也覺得自己真的能夠理解，不過運用部分要多練習），只怕沒有機會透過這些資訊知道對方在想什麼。
接續旅行該做的事
【速出，持續修正旅行方式，出發前聯絡外部，告訴他們，有師之命，你在作調查，想訪談錄影。控管預算，不要懼怕失去，山窮水盡之時，亦是他人不能得的體驗。】
根據上述指示，接下來會先找出能夠訪談的對象，預先聯絡，然後前往當地訪談錄影。
這次省思，我也悟了一件事，我可以不怕沒錢，我有後盾，我只怕失去重要之人。
「這不是變弱，而是種進步」
我曾經得到過這樣的提醒。學習如何面對這份畏懼，可能還需要一些時間。有可能一輩子都無法解決，那也沒關係，真的該面對的時候，在學會面對也沒什麼不好，多珍惜當下。
可以訪談的對象
目前想到有機會訪談的對象包括：
- 地方新創中心
- 青年事務局
- 可以產生文化衝擊的人
- 和AI專業領域有相關的人
和AI專業領域有相關專業的人
睡前剛發現「財團法人人工智慧科技基金會」，裡面有許多在AI領域有專業技術和經驗的人，或許可以從中找到能夠訪談的對象。（有看過其他人訪問過其中一兩位工程師。）
關於AI部分可參與的活動
下一個目標可能是花蓮，雖然在花蓮縣政府青年發展中心目前尚未找到訪談機會，但看到6/3有一場【玩數位 創未來】ChatGPT：自媒體的AI賦能的活動能夠參與，已報名，若有規劃花蓮行程再前往參加。
老師對於AI的建議
【人有陽壽，科技亦然，求科技者，如草原野兔，始量少，繁衍迅速，終無草食。】
【你在網路上學的AI已是過去的產物，已有新的AI，然新AI，很快又成了舊AI。】
文中表明追求科技的人，就像草原上的野兔一樣。一開始雖然少，但成長繁衍的非常迅速，最終，會沒有草吃而亡，代表找不到工作。
【萬物本無名，有名而定性，生質，嘗試去寫一段對質化與量化的理解。】
關於質化與量化的理解，將在其他地方敘述。
我理解這是走AI領域最重要的事。AI最關鍵的要素是如何把看似難以數學化的東西數學化，這是熟知各種AI模型、數學、技巧都不一定能夠習得的能力。
也就是：
【嘗試用生活案例對應到線性代數中的向量與矩陣，如何描述一個人，一群人。】
先不論什麼模型建立、如何訓練、如何優化，上述三個過程不過是一堆的矩陣、向量運算。最重要的是把「概念」寫成矩陣、向量這類可以算的東西。
網路上「質化」的定義：
【以主觀的方式來瞭解任何標的的真實現象，不以數字來探討標的，再以個人之見解來進行探討後結果的解釋分析，以獲得質化資料的結果】
我想先舉物理領域的例子，在物理學發展過程中，並不是所有的進展都是先有理論，才做實驗驗證。
在古人了解行星如何運動之前，只是單純地將觀察到的軌跡、數據紀錄下來，才對這些數據做解釋。根據數據，古時候的學者提出一些自己的主觀意見，解釋為什麼會有這些數據，我認為這是「質化的其中一種方式」。
物理的例子可能不是那麼的正確且有點抽象，所以我享用人類學的例子來補充。
在研究人類學的過程中，我們會收集「和訪談者的對話內容」，這每一筆內容，皆是「訪談者根據主觀意識做出的描述」，是一筆質化資料，而學者根據這些資料，以自己的主觀意識或經驗寫下見解，這是另一筆質化資料（是質化「已經質化過的資料」的資料）。
質化有很多方式，總歸來說是根據個人的主觀意識、觀點、經驗來分析一件事、一份資料、一個看到的事實等。訪談的內容，其實就是一筆質化的資料。（或許這是要我做訪談的理由？我不確定。）
當我對一支筆作出「這支筆很漂亮」的敘述，這就是一筆質化過的資料。
網路上「量化」的定義：
【對自然物理現象或人文社會現象，採數值衡量或以數據說明的過程，稱為「量化」。】
關於量化，我想先提一段曾經的經歷。在中央物理實驗課時，一開始對於實驗結果的描述方式，非常的「定性」。學生常說「有點高」、「比較多，比較少」等，我認為也是一種質化的內容。但好的敘述方式應該是「數值為xxx，與xxx相比少了xxx」，這樣的敘述在物理研究報告上才是有意義的。
當我說出「這裡有十支筆」，十支就是一筆量化過的資料。
若我對質化過的資料賦予數值，則質化資料就被量化了。
把質化的資料量化，寫成數學中矩陣、向量的形式，經由演算法（一堆的數學運算）找出能夠給予符合真實分布輸出的目標函數，是自然語言處理最核心的觀念，也是大多AI模型在做的事。