# 量化與否

ML 為了做到「評估」而需要一定程度的量化，也就是目前學到的各種 Error Measure 等等。

但是實際上現實中很多東西是不能量化的。

# ML 是一項工具

要知道你對一個問題還有哪些路要走，哪些可行的方法，不可以只局限於 ML 這項工具。

## 工具包

不要忘記，ML 是可以跟很多工具搭起來的，例如搭配了由競賽樹 Game tree 發展出的蒙地卡羅樹搜尋的深藍；其中尤其是搭配人類的 Domain Knowledge 或直覺；人類學習跟 ML 是互補的。

人的直覺常常可以給予 First baseline；老師常常會以人類學習開始，或者混合學習開始，再去做調整。

>用神農嚐百草比喻 ML 學習過程，從眾多 $h$ 中挑選最佳的 $g$

# 統計機器學習

老師教的機器學習因為基於比較多統計的理論，這種基於統計理論的 ML 被叫做統計機器學習。

當然也有不在統計學的假設下依舊達到學習效果的機器學習。

---

# 老師學生的各種經歷

## 問診

將病人現在的症狀和醫生的以前做的病歷表作為資料，去學習出問診的模型。

但是不是問一堆問題得到精確的結果，通常來說希望醫生問的越少越好，所以老師後來再拓展成只需要問少量的問題，就可以得出好的結果。

## 無線網路傳輸

從資料中學會各種傳輸環境下應該決定何種編碼 modulation 方式，哪種編碼會帶來怎樣的噪聲，傳輸速率多少等等。

## PCB 板檢查

從影像判讀電路板有沒有問題。

## 人臉辨識、虹膜辨識、指紋辨識

---

# 老師的合作經歷

要應付記者。

## ML 作為達到 AI 的一種方法

ML 學會的技能，算是人工智能的一種展現。

## 路況

- 使用資料去讓你的服務 service 更聰明。
- 資料來源例如可以跟政府接洽，裝感應器，或者使用者夠多，就可以從使用者的現實狀況重建路況。
- 並且隨著時間累積夠多資料，未來就可以做到預測和估計。

# normalized

為了避免維度的大小差異問題，需要把資料 normalize，這樣可以有很多好處，例如避免數值問題等等。