在上一個章節介紹了什麼是機器學習，也概略的提到機器學習是透過資料與演算法去實踐人工智慧，這個章節會更仔細的說明機器學習是如何達到這件事情，並且探討機器學習演算法的分類、以及準備接下來鐵人賽要實作的演算法。

首先，機器學習是怎麼運作的

機器學習的原理很簡單，就是利用「資料」去找到裡面的一些「規則」，這樣講太抽象了，用數學的觀點來解釋的話，假設目前有一個函式，假設我們並不知道函式的內容，但擁有函式的結果。

x　　|　01　|　03　|　04　|　05　|　06　|　08　|　09　|　15　|　32
f(x)　|　09　|　21　|　27　|　33　|　39　|　51　|　57　|　93　|　195

而機器學習的目的，就是使用這些結果(資料)，努力的去找到非常接近f(x)的函式(規則)，我稱這個函式為T(x)，當T(x)越接近f(x)時，代表機器學習的精準度越高、成效越好。十分有趣的是，上述的例子不就是一個經典的迴歸(regression)問題嗎，是的，所以迴歸也是屬於機器學習的一種方法。

可能會有很大的疑惑說，只是去找到一個函式為什麼可以稱為人工智慧，站在現實面的角度來看，有太多東西不能被函式所定義，像是這對情侶會不會結婚、買這支股票可能的投資報酬率、這隻動物是不是狗等等，這些問題的確有跡可循，但又不是那麼清楚，這種時候就可以嘗試使用機器學習(前提是資料量要夠)，來回答上述的問題。因此像是現在被廣泛使用的AI技術，不論是對於影像、聲音、文字亦或其他更複雜的事情，他們的原理皆是以這個為出發點而產生的。

先看看演算法的分類

談完了機器學習的概念，我要來說說相關的演算法，依照演算法的不同，就算使用的資料一樣，訓練出來的結果會有所差異，在選擇演算法時會考量問題的類型、資料量的大小等因素，依照訓練方法的不同，可以將機器學習的演算法分類為以下四大類。

• 監督式學習(Supervised learning)：監督式學習的概念很簡單，就像我前幾天帶我表弟出去逛街，一路上他不斷的重複一個問題，這是什麼？於是我就會告訴他，這是鐵門、圍牆、熊貓、狗等等，這其實就是一種監督式的學習，站在機器學習的角度，輸入是貓狗圍牆的圖案，而輸出是狗、貓、圍牆等名詞，當訓練時的資料已經具有輸入與輸出，我們稱資料為被標籤的資料，監督式學習是使用大量具有標籤的資料，去找到裡面的規則，做到預測、分類等等。
• 非監督式學習(Unsupervised Learning)：非監督式與監督式的差異來自於資料來源，非監督式學習訓練的資料是不需要被標籤，演算法會在這些資料裡面自己看出一些規則。
• 半監督式學習(Semi-supervised Learning)：半監督式學習是介於監督式學習與非監督式學習的演算法，由於監督式學習需要使用具有標籤化的資料，有時候監督式學習的資料不夠多、或者取得成本高(例如地質鑽探)，當標籤化的資料不夠多時就可以使用半監督式的演算法。
• 強化式學習(Reinforcement Learning)：強化式學習會持續不斷在環境中學習，目標是取得環境中的最大利益，之前曾經在網路上看到訓練機器手臂抓取物品的影片，使用的方法就是強化學習，機器手臂不斷地嘗試如何抓取物品，並且在每一次的抓取去獲得一個分數，漸漸地機器手臂就能找到如何去抓取物品的方法。

由於機器學習的演算法非常多種，依照需要解決的問題去選擇，我參考了許多網路上對於機器學習演算法的概述，挑初其中幾個比較普遍，以及實作難度不會那麼高的演算法出來，皆是屬於監督式學習與非監督式學習兩種，接下來的幾天分別會依序介紹這些演算法。

1. Linear Regression(supervised)
2. Logistic Regression(supervised)
3. Naïve Bayes(supervised)
4. Support Vector Machine(supervised)
5. Decision Trees(supervised)
6. Random Forest(supervised)
7. k-menas(unsupervised)
8. kNN(unsupervised)
9. Neural Networks(supervised)

參考資料：
10 machine learning algorithms you should know in 2018
A Tour of Machine Learning Algorithms
A Tour of The Top 10 Algorithms for Machine Learning Newbies
Types of Machine Learning Algorithms You Should Know