# 機器學習正夯，不是數理出身的我也該跳下去學嗎？ - 張漢育

{%hackmd CtA3qhz_RMS-TdMLw6dyqw %}

:::success
+ [投影片連結](https://docs.google.com/presentation/d/15NQk_hFsD6g_TtmTTkB1nrd0eSiir_jU/edit?usp=sharing&ouid=117739111927298714054&rtpof=true&sd=true)
+ [議程問卷連結](https://forms.gle/QgQMvanFL1X9RbYN6)
+ [Sli.do 連結](https://app.sli.do/event/amvzvnqe)
:::

> 從這開始

###### tags: `MOPCON 2021`

## 傳統軟體專案 V.S. 機器學習專案
比起傳統軟體專案固定的需求，機器學習專案還多了取得資料、探索資料、模型選擇、監控與訓練等

## 團隊成員
1. Programmer Product Manager Testing
2. Data Scientist

## AI的案例
Netflix: AlphaGO
韓劇Startup
讓AI當我們的Pair-Programmer

## 歷史演進
人工智慧->機器學習->深度學習

## 機器學習的方式
1. 監督式學習
e.g. 給予機器有標籤的資料或照片，給機器辨識究竟為蘋果或橘子，通常與回歸與分類有關聯
2. 非監督式學習
e.g. 沒有標籤的資料，讓機器自己去找出答案
3. 強化式學習
e.g. 機器透過環境互動學習，告知每一步對錯並給予回饋，讓機器修正結果，例如教AI玩GOOGLE恐龍遊戲

## 機器學習流程
1. 取得資料集
載入資料，確認標籤
2. 資料清洗
使用kernal來讓資料能被電腦判讀
3. 特徵擷取
切割資料，70%訓練資料集，30%測試資料集
4. 模型訓練
例如使用random forest，設定好變數後開始跑
5. 模型評估
矩陣圖，看成功比率偏高的位於何處，對角線數字越大越好
6. 模型推論

## 資料來源 & 資料集: THE MNIST DATABASE
(Training Set: 60,000 Testing Set: 10,000)
精通機器學習 使用SCIKIT-LEARNING KERAS與TENSORFLOW
深度學習必讀 Keras大神
李宏毅老師的課程
CKIP

## 現實與理想的差距
* 從零開始快樂學習(張三丰打太極XDD)
* 與資料科學家合作
* 身在礦山卻挖無礦
因為部門gap，需要打破部門隔閡才能有資料去分析
情緒分析的案例，無法有標籤
* 資料分布不夠平均
* 繁體中文資源不足