# Grow with Google 機器學習共筆

## 上午場
大綱: 認識機器學習
時間: 約90分鐘
### 連結:
- g.co/quickdraw
- g.co/quickdrawdata

### 規則式方法 vs 機器學習:
- 規則式方法:規則定義明確、改善切入點為演算法和網路
- 機器學習:從資料模式中學習、改善切入點為進一步的資料

### 題目:
- 將歌曲依照字母排序: 規則式
- 顯示搜尋結果: 兩者皆有
- 根據地點預測房價: 機器學習
- 處理線上付款: 規則式
- 將相片中的物件分類: 機器學習

### 機器學習流程:
- 重視使用者需求
- 定義目標
- 收集資料 (85% 的時間)
- 收集
- 處理
- 標記
- 訓練及測試模型 (8:1:1)
- Training Dataset: 教材
- Validation Dataset: 小考
- Testing Dataset: 大考
- 預測及評估 (回到 `重視使用者需求` 或 `收集資料`)

### 偏差/偏見:
- 科技來自於人性，人為偏差導致科技偏差
- 收集資料時需思考訓練的內容

### 資料隱私:
- 訓練端
- 醫療資料
- 收集資料時須將無關資料刪除
- 去識別化
- 使用端
- 存取權
- 使用者身分

### 架構:
- 人工智慧
- 機器學習
- 深度學習

### 要素:
- 大數據
- 演算法
- 科技

### 情境:
- 分類: 分成多類
- 分群: 組成成分
- 迴歸: 給數值
- 序列預測: 趨勢預測
- 樣式轉移: 形式轉換、結合

### 題目：
- 根據使用者先前購買的內容提供商品建議: 序列預測
- 將電子郵件標示為垃圾郵件: 分類
- 根據購買新產品的一群使用者找出共同請校: 分群
- 為影片加上說明文字: 樣式轉移
- 根據手機移動模式判斷使用者的健身活動: 分類
- 預測密碼強度: 分類、迴歸
- 辨識相片中的知名地標: 分類
- 提供拼字校正建議: 分群
- 預測廣告品質分數: 迴歸
- 根據時段和路況預測抵達時間: 迴歸

## 下午場 (上)
大綱: 認識類神經網路
時間: 約90分鐘
### 連結:
- https://playground.tensorflow.org/
- https://developers.google.com/machine-learning/crash-course/introduction-to-neural-networks/playground-exercises
- g.co/teachablemachine

### 結構:
- 輸入層
- 隱藏層
- 輸出層
- Test Loss
- Train Loss

### 觀念:
- 輸入
- 活化函數
- 不活化神經元
- 活化神經元

### 常見活化函數:
- s 活化函數: 將加權總和轉換成介於0和1的值
- ReLU (線性整流): 較s活化函數好

## 下午場 (下)
大綱: 小組討論/新聞題目
時間: 約一小時

### 題目:
- 無接觸經濟
https://ctee.com.tw/industrynews/technology/325979.html
A: 分類
- 居家隔離個人定位追蹤系統
https://www.digitimes.com.tw/tech/dt/n/shwnws.asp?cnlid=13&id=0000578997_KTQ8RKX5LM2GSD619JPDD
A: 條件式規則
- 人工智慧女主播
https://reurl.cc/q82kKE
A: 序列預測、樣式轉移
- 確診案例數預測
https://aidea-web.tw/covid-19
A: 迴歸、序列預測
- Alphaloan數位風控系統
https://www.bnext.com.tw/article/59427/alphaloan
A: 分群、迴歸
- EVAS語音轉病例
https://money.udn.com/money/story/11799/4932683
A: 分類、樣式轉移
- 資策會研發AI假訊息快篩平臺
https://www.ithome.com.tw/news/139764
A: 分類、分群、迴歸

### AI應用想法要素
- 目標、問題
- 影響、好處
- 問題、類型
- 資料、來源
- 疑慮 (隱私權、偏差)

### ML應用發表
- 旅遊行程表: 分群、序列預測
- 偏鄉醫療診治: 分類、分群、樣式轉移
- 憂鬱症提前發現: 分類、迴歸
- 文案/論文生成: 分類、樣式轉移
- 用極少時間做出最佳有效決定: 分類、分群、迴歸
- 旅遊位置: 分類、序列偵測