## 機器學習是 ? 實現人工智慧 (Artifical Intelligence) 的方法之一，透過設計的演算法來分析數據，並在學習後進行判斷或決策。 > 如同李弘毅老師所說: 機器學習可以簡單分為三階段: 1. 定義資料集所需要的函數集 (Define a set of function) 2. 透過特定方法去定義不同函數之間的好壞（Goodness of function） 3. 依據第二步去選擇最好的函數 (Pick the best function) 舉例來說，我們必須以以下資料去判斷說未知輸入資料的輸出， 其中已知資料包含 $(2, 10), (9, 31)$，依照剛才簡述的三個步驟， 1. 我們可以定義一個一元一次函數 $y = a \cdot x + b$ 2. 透過已知資料，我們可以發現當 $a = 3$ 且 $b = 4$ 時，該函數可以符合已知資料的輸出 3. 當有未知資料 $x = 7$，作為輸入時，我們可以透過此函數去預測，其有可能會有 $y = 25$ 的輸出 ## 機器學習與...的距離 * 人工智慧: 機器學習並不等於人工智慧，機器學習只是實現人工智慧的方法之一 * 深度學習: 深度學習是機器學習的一種演算法，輸入資料透過已經訓練好的人工神經網路 (Neural Network) 來分析並給予分類 * 資料科學: 在資料科學領域，我們可以使用機器學習對資料進行分析。但資料科學並不只限於此，如何透過資料或的實際效益也是重點，機器學習只是資料科學的應用之一 <center> <img src = "https://i.imgur.com/7JdQt9o.png"> <a href="https://commons.wikimedia.org/wiki/File:The_relationship_and_main_types_of_artificial_intelligence,_machine_learning_and_deep_learning.webp">From Wikimedia Commons, the free media repository</a> </center> ## 機器學習包含哪幾類 機器學習可以分為以下幾類： 1. 監督式學習: 主要透過訓練資料並建立模型，透過以建立模型去預測以新資料為來源的輸出。 其中給定資料皆已標記，即已在每筆輸入資料都有相對預期輸出結果，而這在機器學習可以稱為 **Ground truth**，也就是每筆輸入資料的正確答案 2. 半監督式學習: 僅透過少量標記資料訓練並建立模型 3. 非監督式學習: 與監督式學習相反，必須透過無標記過資料來建立模型，而模型會透過輸入資料來分類 4. 強化學習: 根據環境的互動，來得到所期望之最大效益。在大多數情況下，強化學習會看作是一種馬爾可夫決策過程 其中以**監督式學習**較為普遍，常見的演算法可大致分為分類 (classification) 以及遞迴 (regression) ## 機器學習的演算法有... 主要列舉以下演算法，而粗體字為涵蓋內容 ### 監督式學習 - Classification - Regression - Linear Regression - **Polynoimal Regression** - Support Vector Regression - Decision tree Regression - Random Forest Regression - Ridge Regression - Lasso Regression - Logistic Regression - **Neural Network** - Perceptron - Feed Forward Neural Network - **Multilayer Perceptron** - **Convolutional Neural Network** - **Recurrent Neural Network** - Long short-term memory recurrent neural network - Sequence to Sequence Models - **Naive Bayes** - **Support vector machine** - **K-Nearest Neighbors** ### 半監督式學習 - Transductive Learning - Inductive Learning - Generative Adversarial Network - Self-training - Co-training ### 非監督式學習 - **K-means** - **Autoencoder** - **Gaussian Mixture Model** ### 強化學習 - Q learning - **Deep Q-Network** - Actor-Critic - Policy Gradient - Proximal Policy Optimization ## Reference * [什麼是機器學習？](https://aws.amazon.com/tw/what-is/machine-learning/) * [ML Lecture 0-1: Introduction of Machine Learning](https://youtu.be/CXgbekl66jc)