前言

近幾年來 AI 與機械學習的議題相當熱門，從自動車、 AlphaGo 戰勝棋王到各家大廠釋出自家機械學習技術，到處皆可見到人工智慧相關資訊。對於這個神祕的技術，民眾充滿了好奇： AI 是什麼？ AI技術能帶來什好處？

人工智慧是資料探勘其中一門分析決策技術，而機械學習是人工智慧一種方式。人工智慧基於人類的認知，能改變我們日常生活型態，提供許多服務讓人類擁有更便利的生活。隨著科技技術進步，電腦已經能記錄龐大的、超乎我們想像的資料與資訊，這意味著可能可以從中發現更多未知關連與規則，進而得知可能發生的事情，這是資料探勘。從大量資料中搜尋其中的關聯，這不容易。

因為未知，所以將這些使用者資料不斷的餵入系統，經過複雜的計算，有可能產生有用的結果給使用者。若這些資訊確實符合需求，使用者則可以回饋給系統，增加系統的信賴與依賴，這是訓練。久而久之，系統能依據使用者經驗與行為分析，進而精準預測使用者的偏好、行為或生活習慣，達到最大效益。

介紹

資料探勘的目的對大量資料進行分析，以自動或半自動方式，找出隱藏且有意義的知識。知識探勘需要經過很多步驟，包含：

1. 資料收集
2. 資料選擇
3. 資料轉換
4. 資料探勘
5. 結果呈現與解讀
   

而資料探勘方法有關連法則(尿布與啤酒著名案例)、分類與分群…等不計其數，也包含機械學習。我們能透過這些方法推論出隱含、有用的特徵，進而可能發現其中的知識。

此外，資料也具有時間價值：隨著時間巨輪的前進，資料也像水流般不斷的流動，這是資料串流，具有下列特性：

1. 資料無限、速度快，有限儲存空間下，取得資料只能進行一次或極少次數
2. 使用者需求隨時間不同
3. 資料量因時間變動，無法預測
4. 近期資料較具有參考價值

因此，無論是決策或者推薦，取得資料的方式也應該有所不同：

其實經過資料探勘的說明，你會發現 Data Technology 與 AI & Machine Learning 非常密切。

隨著網路發展與智慧型行動裝置普及，我們接觸的資訊相當龐大，每一天被強迫接受大量資訊，甚至花費大量的時間去接觸不感興趣的資訊。因此，個人化網路智慧應用越來越被重視，發展成為推薦系統。推薦系統蒐集了我們日常生活行為軌跡，透過資料探勘方法，進而推薦感興趣的內容，節省時間找到我們要的資訊，而這種應用也充滿商機。
(文章農場與媒體也都是一種推薦系統，為了提升點閱率與吸引目光，餵給讀者感興趣、容易引起情緒的內容，這可能是 AI 技術可能面對的問題。)

推薦系統可以分成協同過濾推薦與內容推薦：

• 協同過濾：收集群集共同的喜好並進行過濾，進而推薦同群體可能感興趣的內容，但容易因為資料不足或商品內容過多造成推薦失誤
• 內容推薦：增加特徵，推薦相同特徵的內容給使用者。若沒有使用者從未接觸過此特徵商品，一樣無法進行推薦
• 混合式推薦：組合多種方法進行推薦

類似於推薦系統，目前的 AI 較強調於決策部分而非強調提供選擇，對於封閉性、有固定規則的事物表現相當突出，而面對開放性問題，未來的發展也讓人期待。

後記

原先只寫技術應用，並沒有計畫撰寫概論的文章。但充滿技術應用似乎讓這主題有一點走味，只剩下如何介接、撰寫程式。思考了幾天，決定寫下過去資料探勘研究過程中，理解的相關知識與自己的拙見，提供參考，若有任何錯誤或建議，請各位先進不吝指教。