簡單來說,機器學習就是從大量數據中,找尋模式,並每次學習中優化減錯誤率,使預測更準確。

機器學習的應用場景非常廣闊,但凡有大量資料,有預測需要的情景都能大派用場。

右圖:由數據到預測的機器學習例子。

Machine Learning Examples
資料來源: 機器學習的示例應用程序:將數據轉化為預測

首先釐清一下概念。人工智能,機器學習和深度學習之間有什麼分別? 右圖NVIDIA表:

  • 人工智慧是一門成立於1950年代初期的研究領域。由約翰麥卡錫於1955年定義為「製造智慧型機器的科學與工程」。

  • 機器學習是利用演算法從資料中學習作預測的研究領域。機器學習的目標絕非作出“完美”的預測,其目標是做出有用的預測。自1980年代以來,得到長足發展,勢頭強勁,是AI人工智慧的子領域。

  • 深度學習是利用神經網絡模型的機器學習,是一個較新㯋的子領域。特別在圖像,視頻,文字和音訊處理上都有突破性的進展。

  • 最簡單的答案: 不用執著,由其對於無知的對象或是閒話家常時候,隨便一個吧! 

  • 安全答案:  機器學習現在比AI或DL更常用! 

“如果用Python編寫的,就是機器學習;如果用PowerPoint做,就是AI。”

AI vs. ML vs. DL
difference between software and machine learning

機器學習的演算法程式也是一個軟件。那麼,它有何不同?

在一般軟件而言,人類寫出指令控制電腦執行。

而機器學習,人類提供數據指引電腦從數據中找出答案。 

  • 假設將機器學習演算法稱為“學生機器人”;

  • 還有另一個教師機器人擁有(資訊/數據)來教導並且測驗學生機器人。

  • 每次教導後,如學生機器人在測試中失敗,另一個稱為“維修機器人”將重新修理失敗學生的大腦,並一次又一次重複將學生做測驗,成功的學生將留下再做新一輪測驗,不可救藥的學生就被趕出校。

  • 想像一下,參與測驗的學生成千上萬(每個代表不同的算法),最終會出現了一個在不斷測試中都名列前茅學生機器人。