前言

計畫趕不上變化，最近工作量突然暴增，原本預計可以輕鬆寫 Blog 的每日工作，忽然讓人感到有些壓力，只好把內容拆分成多天來寫。

截圖自 Coursera "How Google does Machine Learning" 課程

主題

1.0 What means to be AI first?

截圖自 Coursera "How Google does Machine Learning" 課程

這部分講述了Google對於Artifical Intelligence(AI)和Machine Learning (ML)之間的定義:

• AI: 是一門學科(discipline)
• ML: 是一類工具(toolset)

整體而言，這樣分類方式大部分的人應該都能接受，AI這門學科廣泛來說橫跨了許多領域:神經科學、電腦科學、統計學、醫學、心理學...等，而在如何實現這樣的技術上，除了ML偏向統計工具的方法外，過去還有像是專家系統、符號推理等其他方法，因此，ML是眾多的方法之一，被包含在AI這門學科下的一個子集合。
題外話，ML會是AI最終的解答嗎?我想並不能肯定，這一波ML或者說Deep Learning的大爆發，是由於硬體的進步，在各面向提升了機器學習的性能，資料蒐集、儲存空間、計算效能等，才讓舊有的理論再次重現天日，然而，現在ML的強大仍跨不出弱人工智慧的界線，因此，說不定下一波量子電腦的革新，又會復興過去的AI工具，讓AI能夠進入強人工智慧的領域。

1.1 Two Stages of ML

截圖自 Coursera "How Google does Machine Learning" 課程

此章節以監督式學習(Supervised Learning)為主，並將Machine Learning劃分成兩階段:

• Training:訓練階段
• Inference(Prediction):推理階段、預測階段

監督式學習的意思代表機器學習的模型根據有標記(Label\Target)的資料進行訓練，舉例:

• 圖像辨識:資料中會有一堆圖片，以及這些圖片對應的標記(貓、狗、車子...)。
• 房價預測:房子的各種特徵(坪數、地點、屋齡、年份...)，以及對應的實際房價。

而第一階段就是用這筆已經擁有的資料集，訓練出數學模型。

第二階段，過去比較常用預測(Prediction)，也就是用訓練出來的模型對未標記的資料進行標記，而最近在許多地方常看到改使用推理(Inference)，這不僅是針對做的事情上劃分，在實作上，將只有在訓練階段才使用的區塊捨去，合併、簡化模型中間的部件，，達到對模型實體進行優化加速，許多公司都在這部份下了很多功夫，也就是所謂的推論引擎(Inference engine)，例如:Intel OpenVINO、Nvidia TensorRT、Google Tensorflow Lite。

1.2 ML in Google Products

這章節簡介了Neural Network(NN)的故事，然後重提現在Google的各項服務中都包含無數ML模型在支撐，我想之後應該會有針對機器學習模型進行解說的課程，NN的故事就流到那時候再詳細的說吧!

結語

寫得越來越隨興，與其說技術文章，更像是心情隨筆。