Machine Learning

tags: self-learing

Reference:

• https://mile.cloud/zh/resources/blog/184/為什麼機器學習（Machine Learning）會夯翻天？你真的了解它的運作方式嗎？
• https://medium.com/@troy801125/machine-learning-人工智慧和機器學習是什麼-49a6ba41ab3e
• https://www.ecloudvalley.com/zh-hant/machine-learning/
• https://kknews.cc/zh-tw/tech/epl3pez.html

What is "AI":

人工智慧( Artificial Intelligence -> AI)
簡單來說人工智慧主要是在研究，如何使用電腦的功能，來做一些本來必須由人類執行才能完成的工作；簡單的說，就是藉由電腦來執行人類智慧的過程，機器在經過程式設計之後，能表現出與人類類似的智慧

What is machine learning:

What can machine learning do:

• 圖像辨識
• 語音辨識
• 醫療診斷
• 統計套利
• 學習關聯
• 分類
• 預測
• 提取
• 回歸

Classification:

• 監督式學習（Supervised learning）

所有資料都被「標註」(label)，告訴機器相對應的值，以提供機器學習在輸出時判斷誤差使用。這種方法為人工分類，對電腦來說最簡單，對人類來說最辛苦。這種方法像是告訴機器（電腦）標準答案，正式考試的時候機器依照標準答案作答，正確性會比較高。例如，若要訓練機器區分大象和長頸鹿，則提供機器 100 張大象和長頸鹿的照片。機器依照標註的照片去偵測大象和長頸鹿的特徵，依照特徵就能辨識出大象和長頸鹿並進行預測。

• 非監督式學習（Un-supervised learning）

所有資料都沒有標註，機器透過尋找資料的特徵，自己進行分類。此種方法不用人工進行分類，對人類來說最簡單，但對電腦來說最辛苦，誤差較大。若使用非監督式學習辨識大象及長頸鹿，機器得自行判斷提供的 100 張照片裡有哪些特徵的是大象、哪些特徵的是長頸鹿並同時進行分類。在未來預測時，利用機器自行所分類的特徵去辨識是哪一種動物。但機器所辨識的結果不一定正確。

• 半監督式學習（Semi-supervised learning）

對少部分資料進行「標註」，電腦只要透過有標註的資料找出特徵並對其它的資料進行分類。這種方法可以讓預測時比較精準，是目前最常用的一種方式。若有 100 張照片，則標註其中 10 張哪些是大象哪些是長頸鹿。機器透過這 10 張照片的特徵去辨識及分類剩餘的照片。因為已經有辨識的依據，所以預測出來的結果通常比非監督式學習準確。

• 強化學習（Reinforcement learning）

機器透過每一次與環境互動來學習，以取得最大化的預期利益。運用強化式學習的方式，我們不標註任何資料，但告訴它所採取的哪一步是正確、那一步是錯誤的，根據反饋的好壞，機器自行逐步修正、最終得到正確的結果。能使非監督式學習達成一定程度的正確性，就不能缺少強化式學習的方式。若機器自行辨識特徵與分類，將某張大象的照片預測成長頸鹿，則人類給予錯誤的訊息。機器會再次辨認特徵及分類。透過一次一次正確與錯誤的學習，最後的預測就會越來越精準

Procedure:

1. 收集資料（Gathering data ）
2. 準備數據（Preparing that data）
3. 選擇模型（Choosing a model）
4. 訓練機器（Training）
5. 評估分析（Evaluation）
6. 調整參數（Hyperparameter tuning）
7. 預測推論（Prediction）