# ML01_Learning problem
###### tags: `Machine Learning`
**定義** :
透過演算法將收集到的資料進行分類或預測模型訓練，當未來得到新的資料時，可以透過訓練出的模型進行預測，如果這些效能評估可以透過利用過往資料來提升的話，就叫機器學習。

**使用時機**：
1. 有一些underlying pattern(基本模式)可以學習
2. 程式無法輕易定義(or沒有演算法可解)
3. 有足夠的input

一些使用情境如下：

- 當人類不能直接與系統互動(ex火星探索)
- 無法明確定義
- 需要快速決定，且人類無法達成(ex.高頻率的交易)
- 很大規模的使用者導向(ex.客戶導向市場)

**ML學習流程圖：**
A take D and H to get g approximate to f

**ML與其他技術關係**
ML(Machine learning)：用資料去計算出一個假設的g去逼近目標f
AI(Artificial intelligence) : 用聰明的方法做去計算(ML是實現AI的一種方法)
Data Mining：用大量資料去尋找有興趣的特性
Statistics：用資料去推斷未知的過程(通常做為協助ML的角色)