在人工智慧領域我們常常聽到AI、ML甚至是DeepLearning......等
這些東西一樣嗎？當然不，
在進入ML的領域之前，我們要先比較ML和AI的差異。

What is different from ML & AI ？

機器學習與AI又有甚麼不同？

AI，可以簡單的理解成我們讓機器擁有智慧，
而什麼又叫做擁有智慧 ?
簡單的例子。
我們可以對機器說"你好！" 而我們可以透過邏輯的方式(coding)，讓機器"看起來"有智慧，

好像聽懂了我們人類的話(自然語言NL)，
不過背後只不過是簡單的邏輯罷了，這個邏輯還是人們寫Code驅動的，
也就是說這到根本來說還是人類本來的邏輯嘛= =
機器實際上沒有學到什麼，他只是根據人類的指令做回應罷了，
不過在這種情況下，我們也稱這台機器是AI，
因為他的確完全符合Artificial(人工) intelengence(智慧)的定義。

舉上面的例子就可以知道，
我們如果要用這種方法創造一個接近人類的智慧，
基本上是不科學的，像上面的例子，我只要改對機器說，
"今天天氣如何？"他就無法應對了，除非我又添加一條規則，讓他輸出，
到最後我們會發現，在這個多變的世界，考慮到各種可能，
並寫成if-else條件，機器背後運行的Code會變得笨重而且非常不靈活，
概括上述，我們用這種方法創造的智慧，其實根本不聰明。

機器學習改變了這個規則，我們可以把機器學習當成是一個方法，

一個能創造AI的方法

ML透過了複雜的數學模型，來創建出一個多變的Function，
這個模型複雜到足以"理解"圖片、語言......等，
透過MachineLearning訓練出的模型"聰明"到足以讓人類去依賴。
在這樣的背景下機器學習就這樣似乎變成了AI的代名詞，

但不是這樣的，兩者是不一樣的東西，
AI是一個總稱，機器學習只是其中一個方法而已。就如課程的圖示，兩者是這個樣子的親子關係~

稍微理解AI和ML的差異之後，我們進到下一個小重點囉！

two stage of ML

進行ML的兩階段

恭喜啦，我們終於要進入到介紹ML的部分了耶~
會來讀技術文的夥伴辦們應該也是對這個主題感興趣吧~((是嗎?
好的，
我們把MachineLearning拆分成了兩個階段

• Training
• predict

是的簡單的拆分的話就是訓練和預測，

在介紹這兩個步驟之前，要先和各位介紹什麼是標記過的數據(labeled Data)，

有看到左邊的input嗎？這些圖片都是要進入ML model 裡訓練的數據，而所謂的Label呢...~

指的就是這些標籤喔，標籤的作用就類似正確答案，
ML model 如果只輸入input而不知道答案的話，
model在訓練的途中就沒辦法知道自己是對是錯了。
(當然有不需要labeled data的訓練方法，不過在這個教學裡沒有提到~)

好的，了解了Labeled data之後，要來看看做出一個ML的第一個步驟，

第一步：Training

我們要開始訓練我們的ML model啦，在Training這個步驟，
我們要將我們上述的labeled data輸入到我們的模型中，
(未經過學習的ML model表現會很糟，所以在Training這個步驟是一個ML模型出生的關鍵)，
模型會根據input輸入後進行運算，然後得到Output，
再來ML模型會根據我們給它的正確答案(label)來看看到底他哪兒出錯了，
自行改變內部的參數來達到"學習"的效果。

順帶一提，這種 利用標籤過的數據來訓練 的方式叫作(監督式學習)

第二步：Predict

在訓練我們的MLmodel之後，我們的MLmodel變得有能力來辨識圖片啦！
重頭戲來囉，在這一步我們做的事情和上一步差不多~
丟"新的資料"(不可以是訓練資料喔~)給model不過這次我們不對model內部調參了，
而是把目光放在model預測的解果。
通常在這一步驟我們會發現我們訓練的model，"理解了"新的資料。
而當Predict的正確率達到一定的程度，
我們就可以選擇輸入unlabeled data給他預測，看看他的表現了。

以上就是機器學習的兩個步驟，我們在訓練model時務必切記兩個步驟都"非常"重要，
Google的講師在這裡提醒，外面機器學習的教學文章、Blog、課程......等。
往往會忽略機器學習的第二步驟，也就是實際應用模型的這個步驟，
如果你訓練了一個模型，但你卻無法在日常上使用它，那它又會有什麼用？
特別點出的是Google要帶給我們的機器學習是End to End的機器學習，
而在這裡所謂的End to End，指的就是要將ML融入產品。

(這張圖Google又偷偷為自己家服務打廣告~)

Data is the fuel of ML

如果說Machine Learning是一艘火箭，資料就是它的燃料(轉錄自MLstudyjam)(這句話很棒~)

以上就是MachineLearning的基礎囉~

-我是Dim，好累QvQKeep Going !
(所有圖片皆來自Google Developers MLstudyjam-進階課程)