# 探索機器學習入門Grow With Google

###### tags: `研討會`

> 講師: 黃福銘助理教授/巨量資料管理學院，東吳大學:rocket:
>https://sites.google.com/gm.scu.edu.tw/fmhuang/bio?authuser=0
---

## :memo: 本次上課目錄:

### Step 1: 機器學習
- [x] 規則式開發的特色!
- [x] 機器學習是甚麼?
- [x] 機器學習體驗網站
#### 規則式開發的特色:
- 需要去制定各種的情境
- 要非常精確地下達指令
- 程式碼難維護
- 要設定一堆判斷式
#### 機器學習是甚麼
>Field of study that gives computers the ability to learn without being explicity programmes
[name=Arthur Lee Samuel 1959 ]
**白話文:**
讓機器從資料中找尋規律與趨勢，而不需要給定特殊規則
**數學定義:**
給定目標函數與訓練資料，學習出能讓目標函數最佳的模型參數

:::info
:bulb: **機器學習體驗網站:**
圖片辨識/聲音辨識/動作辨識
[https://teachablemachine.withgoogle.com/train](https://teachablemachine.withgoogle.com/train)
由 Google 推出的知名手寫塗鴉辨識
[https://quickdraw.withgoogle.com/](https://quickdraw.withgoogle.com/)
:::
#### 機器如何學習?有三個步驟
- 定義好模型(可以是線性回歸、決策樹、神經網路等等)
- 評估模型的好壞，定義一個目標函數(損失函數)來衡量模型的好壞
- 找出讓訓練目標最佳的模型參數，使用演算法來找到讓目標最佳的模型參數
#### 機器學習的訓練目標
模型訓練目標是將損失函數的損失降到最低(具體要怎麼實現看不太懂，顆顆)
:::info
:bulb: **李宏毅教授以神奇寶貝進化 CP 值預測的範例，解說何謂機器學習與過擬合:**
[ML Lecture 1: Regression - Case Study](https://www.youtube.com/watch?v=fegAeph9UaA)
:::
#### 機器學習的應用類型

| 類型 | 說明 |
| ----------------- |:----------------------- |
| 分類 | 類別是固定的、已知的 |
| 迴歸| 偏向去找一個數值、收集各種的資料 |
| 分群 | 找到的群的內容會很像 |
| 序列預測 |接下來會發生甚麼事。推理 |
| 樣式轉移 | 情境不同但是表達相同的意思 |
#### 人工智慧到機器學習到深度學習
:arrow_right:機器學習(Machine Learning)是實現人工智慧(Artificial Intelligence)的技術之一
:arrow_right:深度學習(Deep Learning)是機器學習中的一個分支，是透過將影像、文字匯入電腦中經由大量運算使得電腦能夠自動判別的技術。
#### 機器學習的三元素:
1. **大數據**:在一定時校內進行大量且多元性資料的取得、分析、處理、保存等動作，是指無法使用一般常用軟體在可容忍時間內進行擷取、管理及處理的大量資料。
2. **演算法**:在有限步驟內解決數學問題的程式。
3. **情境(Pattern)**:指在一堆資料中找出特徵(Feature)或規則用來將資料進行辨識與分類做為決策的判斷。
#### 機器學習與深度學習的比較

>機器學習的例子
[Machine Learning and Human Bias - YouTube](https://www.youtube.com/watch?v=59bMh59JQDo)
[How Does Your Phone Know This Is A Dog? - YouTube](https://www.youtube.com/watch?v=bHvf7Tagt18)
---
### Step 2:類神經網路

>在1956年達特茅斯會議中誕生，以數學模擬傳導輸出預測，在初期人工智慧領域就是重要分支。
一個最簡單的神經網路，架構分成輸入層、隱藏層、輸出層

:::info
:bulb: **人工神經網路 VS 生物神經網路(作者:周莫煩):**
)https://www.youtube.com/watch?v=lAaCeiqE6CE
::::

---
### Step 3: 深度學習

- TensorFlow Playground 是Google精心開發的體驗網站。提供學習者對於深度學習能夠有概略的了解<i class="fa fa-share-alt"></i> **http://playground.tensorflow.org/**
:::info
:bulb: **TensorFlow Playground的官方教學網站:**
https://developers.google.com/machine-learning/crash-course/introduction-to-neural-networks/playground-exercises
::::
- [x] 平台介面說明
- [x] 平台上目前有四個分類問題與2個回歸問題，要先切換右上問題種類後，在選擇左上的資料集:tada:

:::info
:pushpin: 其他機器學習參考資料、相關學程連結
■ Python 基礎學習資源
Python 安裝環境介紹 - 吳佳諺⽼師
https://youtu.be/0o6Y1yoZpeE
莫煩 Python 基礎教程
https://morvanzhou.github.io/tutorials/python-basic/basic/

■ 資料科學相關學習資源
莫煩資料科學基礎 教程
https://morvanzhou.github.io/tutorials/data-manipulation/np-pd/
https://morvanzhou.github.io/tutorials/data-manipulation/plt/
推薦書籍
Python 資料科學學習手冊 (Python Data Science Handbook: Essential Tools for Working with Data)
https://www.tenlong.com.tw/products/9789864766857?list_name=srh

■ Machine Learning 推薦學習資源
莫煩 Scikitlearn 教程
https://morvanzhou.github.io/tutorials/machine-learning/sklearn/
吳恩達 Deeplearning.ai 全部課程學習⼼得分享
http://bangqu.com/86uNY1.html
■ Coursera 課程：
- 神經網絡與深度學習(Neural Networks and Deep Learning)
- 改進深度神經網絡:調整超參數、正則化與優化(Improving Deep Neural Networks: Hyperparamater tuning, Regularization and Optimization)
- 結構化機器器學習項目(Structuring Machine Learning Projects)

■ Google 基礎機器學習線上課 https://developers.google.com/machine-learning/crash-course/

■ AWS Machine Learning 線上課 https://aws.amazon.com/tw/training/learning-paths/machine-learning/

■ 機器器學習相關基礎數數學選讀 (optional)
- 微積分
可汗學院微積分線上看 https://www.khanacademy.org/math/calculus-1
- 統計與機率相關補充資料 http://www.hmwu.idv.tw/index.php/r-software
- 線性代數數
可汗學院線性代數線上看 https://www.khanacademy.org/math/linear-algebra
- 國網中心 AI 技術⾼階研發人才課程清單
https://aiel.nchc.org.tw/researcher.aspx

■ AI 學習的數學知識點建議
- 微積分：https://goo.gl/KzTBm8
建議章節：
CH2(Derivatives)
CH3(Applications of the Derivatice)
CH4(The Chain Rule)
CH13(Partial Derivatice)
- 微分找極值
- 連鎖律(the Chain Rule)
- 偏微分(Partial Derivative)
- 線性代數：
基本矩陣運算，矩陣性質，線性方程式
- 線性代數(Linear Algebra):https://goo.gl/MdFYZH
建議章節：
CH1(Linear Systems)
CH3.4(Matrix Operations)
CH5.2(Similarity)
- 機率統計：
基本機率、條件機率與貝氏定理、機率分佈
- 統計與機率Statistics: https://goo.gl/qyq37U
建議章節：
CH2(Descriptive Statistics)
CH3(Basic Concepts of Probability)
CH4(Discrete Random Variables)
CH5(Continuous Random Variables)
CH10(Correlation and Regression)https://goo.gl/qyq37U
- 基本統計觀念(平均數、中位數、標準差、相關係數...)
:::