什麼是機器學習(MachineLearning)

機器學習

機器學習(Machine Learning)，是用過往資料以及經驗中自動分析並找到運行規則，然而對未知的資料進行預測的演算法

機器學習透過樣本訓練機器然而做出運作，簡單來說就是從資料中得到函數學習並且創造演算法，利用它做預測

從資料中學習

機器學習是透過以下步驟進行預測資料

1. 需要資料(訓練模型)

2. 從資料中學習

3. 從步驟二中所學習到的經驗，用來分類該未曾發現見過資料，並預測

機器學習方法

1. 監督式學習：在訓練過程中提供物件及預期輸出，可以是有標籤的資料，對人來說最辛苦，但準確性最高，例如：訓練機器預測照片是貓還是狗，會提供50張貓及狗的照片，機器會依標籤照片去偵測貓與狗的特徵，依照這些特徵進行預測

2. 半監督式學習：對少部分資料輸入標籤，電腦透過有標籤的資料找出特徵並進行分類，準確性較非監督式學習高，例如：共有50張照片，其中10張輸入標籤哪些是狗，哪些是貓，機器會透過這10張照片的特徵去辨識照片的種類，因為已經有辨識的依據，所以結果較非監督式學習高

3. 非監督式學習：不需事先輸入標籤，只提供案例，對人來說最輕鬆，已沒有標準答案的資料來訓練機器，讓機器自動找出可能的規則應用到新案例上，所以誤差較大，例如：機器需自行判斷50張照片中，哪些特徵是貓、哪些特徵是狗。預測時則依照自行分類的特徵去辨識動物種類，所以結果誤差會較大

4. 增強學習：機器透過每一次與環境的互動來學習，來產生最大利益的行為，不需輸入標籤，但告訴機器它的行為是否正確，透過回饋的好壞，讓機器逐步調整，最終得到正確的結果，例如：把貓當作狗，人就給予錯誤訊息，機器會再次辨認特徵及分類，透過一次次的學習，讓預測結果越來越準確

該如何選擇資料來訓練機器

特徵(Feature)

透過特徵來訓練機器，例如：要區分貓和狗，可以將特徵分為鼻子以及耳朵，兩個特徵代表著一個二個維度

下圖中，訓練完後，線性模型會依照一條線來區分貓或是狗，當有新資料輸入時，則依照線來區分貓或是狗

但是選擇的特徵也很重要，因為有些特徵是不足以劃分資料，假如今天選的特徵是腿的數量，可能就沒辦法分辨，因為貓與狗都是四條腿的動物。

準備充足的資料

一但確定特徵後，就要開始找到足夠且無偏差的訓練資料，ML會透過這些資料來學習

ML無法分辨他不知道的東西

依照下列表格進行特徵學習

今天有一份關於鴨的資料(特徵如下)，但因為ML只知道狗和雞而已，所以將認定為”雞”，因為這是最接近的結果

參考資料：

• 資料科學與機器學習

• 機器學習

• 人工智慧、機器學習、深度學習是什麼? – Machine Learning 教學系列 (一)

• 該選擇什麼資料來訓練機器學習系統？- Machine Learning 教學系列 (二)

• 三分鐘了解機器學習的四個學習方式

• 怎樣教一臺計算機區分貓和狗？一文零基礎入坑機器學習