終於，在喝完冬至湯圓的隔天，R語言與機器學習見面會進入最後一個主題了，機器學習演算法。

已砍就:

• .NET工程師的R環境
• R語言基礎
• R語言資料介面
• R語言的資料視覺化

準備砍就

• 簡單的機器學習演算法

機器學習(Machine Learning)

記得我們在Day01時，曾淺淺的認識神秘的她:

一種讓機器從資料中學習而得到了預測未來的過程。

說起來這種過程很抽象，但學習到的能力卻很真實。 閉上眼慢慢回想一下，30年前還是嬰兒的我們是怎麼會走路的?
(哈！不要和我說，是喝了約翰走路，所以你會走直線)

是爸爸媽媽先教我：
左腳先支撐，右腳起步提腿，然後右小腿往前伸展落地，此時左腳墊步，接著換左腳交替循環的拆解式。
然後還要記得不要同手同腳？

還是我們長時間觀察了爸爸媽媽爺爺奶奶的姿勢，在腦海中有了印象而自我學習了控制腳步的方法，從而和神經系統結合走起路來，討了爸爸媽媽歡心。

控制腳步的方法就是一種人類的學習，而機器的學習則是讓機器觀察數據化的資料特徵，而中學習到了一種方法或能力，我們人類比較貪心，通常希望機器學習是未卜先知，有著預測未來的智慧，最好可以超越人類，進而在決策時提供正確的資訊，輔助人類進步。

訓練量的差異:

記得自己去年在臉書上的po文：

中午和同事開車出去吃飯，開著車的同事叫我看路邊漂亮女主播，
副駕駛座的我還在找漂亮主播在那裡，同事又補上一句主播畫了妝真的很不一樣，
我才看到個人影兒，其他就剩黑黑咻過去的畫面，
嘆息了一下怎麼注意力這麼差這麼多。

同事接著解釋著說，我們踢球的都要眼看四面耳聽八方，
觀察力很重要，這是有訓練過的。
連正妹雷達都輸人家，這時不知道該回什麼好，哈!

同事繼續說，我這個經驗他太太也有，
每次在新竹看到檳榔西施，他都看得很清楚，可是他太太就會錯過，
默默的覺得，看路邊女主播的功力應該是看檳榔西施練習來的。

訓練量的確會讓正妹雷達能力有差異，但也許訓練量只要足夠建立起夠水準的模型就很完美了。
好，我們回來機器學習，那機器學習和常聽到的人工智慧(Artificial Intelligence)有什麼差異？

人工智慧 vs 機器學習

人工智慧希望機器作出正確明智的行為，機器學習則是透過從歷史資料學習，提供可供正確明智決策的資訊，深度學習則是繼續強化決策資訊。

簡單畫一個圖來表達:

人工智慧的明智行動需要仰賴許多面向，包括機器學習的準確決策、實際行為的控制與反饋等。

那機器學習又有哪些分類？

監督式學習 vs 非監督式學習

最常見的分類是以訓練時有沒有標準答案來作區分，有答案的訓練就是監督式學習，反之就是非監督式學習。

• 監督式學習(Supervised Learning): 觀察了許多有標準答案的觀測值，訓練出模型對還沒有答案的觀測值做出預測。

  Ex:我們收集了許多從車輛速度與實際煞車所需要的距離，接下來，我們就能依照模型用實際車輛速度預測煞車所需要的距離。

• 非監督式學習(Unsupervised Learning): 沒有標準答案，希望找出資料的內部構造、資料樣貌與資料間的分佈來建立模型。
  Ex:金融機構對客戶作行銷時，依照客戶的資料特性分眾(segment)。

機器學習演算法分類

常見的機器學習演算法有三種類型：

• Classification (分類)
• Regression (迴歸分析)
• Clustering (分群)

監督式學習

• Classification (分類): 預測出一個類型，像是Yes/No，是否成功、是否存活、車子的種類。
• Regression (迴歸分析): 預測出一個數值，像是100M的煞車距離、200隻薑母鴨的銷售量。

非監督式

• Clustering (分群) :將相同資料特徵者群組切割在一起，通常是用來處理沒有標準答案的問題，像是按照教育程度及收入來分幾個層級作分眾行銷。

接下來的幾天，我們來複習幾種常用但比較簡單的機器學習演算法使用方法。

史丹利是機器學習的新手，很多觀念及演算法還在參悟ing階段，盡量先整理簡單的機器學習演算法操作和概念，如果想更深入學習，推薦大家幾個資源:

學習資源:

• 線上課程:
  台灣大學資訊工程系林軒田老師 Coursera 線上課程

• 實體課程:
  台大資訊系統訓練班 郭耀仁老師課程

• 書本課程:

Oreilly都有的買!

http://shop.oreilly.com/product/0636920018483.do

http://shop.oreilly.com/product/0636920035343.do

布拉格天文鐘與舊城廣場

2013.06攝於Praha,czech