機器學習

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。