# Machine Learning
###### tags: `ML` `Python`

* Machine Learning -> 首重 Classification分類

* ML演算法
* Supervised learning 監督式學習
* Un-supervised learning 非監督式學習
* Semi-supervised learning 半監督式學習
* Reinforcement learning 強化學習


---
* Supervised => Labeled Data
* 人工標記 (全部)
* 大量標記資料庫
* 準確性高
* 耗人工&成本

* Semi-supervised
* 少部分標記 (部分)
* 比非監督式佳

* Un-supervised
* 無標註
* 機器處理標記 (classification 分類、clustering 分群)
* 分類 Classification:對未知訊息歸納為已知資訊
* 分群 Clustering:資料中無明確分類，需透過特徵值劃分
---
* 非監督式學習 (Un-supervised learning)
* 分群 Clustering
* Cluster analysis
* 生成 Generation

* Generative Adversarial Network (GAN)：生成對抗網路
* Generator Model 生成模型
* Discriminator Model 判別模型

* K-means clustering (K-平均: ==非監督==)
* 距離 (畢氏定理)
* 隨機


* Deep Neural Network
* Input Layer
* Hidden Layer
* Output Layer
---
* ==卷積神經網路==(CNN): Convolutional Neural Network
* 發展主力方法
* 適合圖形辨識
* Convolution Layer
* Feature Map - 滑動、特徵擷取
* Pooling Layer
* Pooled Feature Map - 減少資料量、保留重要資訊
---
* 遞迴神經網路(RNN): Recurrent Neural Network
* 記憶
* 先前輸入影響後續輸入
* 適合時間序列資料
* 動態影像
* 文章分析
* 自然語言
* 聊天機器人

---
* 常見的「運算思維」要素包括：
* 拆解（Decomposition）
* 抽象化（Abstraction）
* 模擬（Simulation）
* 演算法（Algorithm）
* 模型化（Modelling）
* 樣式辨識（Pattern recognition）
* 模式的一般化（Pattern generalization）


---
* 距離算法
* Manhattan Distance 曼哈頓

$D = \lvert X_{1}-X_{2} \rvert + \lvert Y_{1}-Y_{2} \rvert$

* Chebysev Distance 切比雪夫

$D = max(\lvert X_{1}-X_{2} \rvert, \lvert Y_{1}-Y_{2} \rvert)$

* Euclidean Distance 歐式幾何平面

$D = \sqrt{(X_{1}-X_{2})^{2} + (Y_{1}-Y_{2})^{2}}$