基本介紹


從上面兩張圖可以看到，其實人工智慧這不是一個新的詞，這個詞早在1950年就出現了，這個詞意味著「希望機器可以跟人一樣聰明」。到了1980年開始又有一個新的詞出現了，就是機器學習，那什麼是機器學習呢？顧名思義就是讓機器去學習，而機器學習是達成人工智慧的一個手段，透過觀察不斷地學習，然後轉化成有用的技巧，讓機器可以跟人一樣聰明。深度學習就是機器學習的其中一種方式。

什麼是機器學習？
上面有提到，讓機器學習來完成目標；所以並不是寫程式讓它完成目標，而是寫程式讓它具有學習的能力。例如語音辨識，你告訴機器幾段聲音，並且告訴他相對應的意思（Hi, How are you, Good bye），讓它學習，當你再給它一段新的聲音時（Hello），它就能辨識出這段聲音的結果。

例如影像辨識，你想要辨識一棵樹，你可能寫了很多規則，檢查是不是綠色的，有沒有很多像葉子的形狀，寫了很多辨識樹的規則，但今天如果一棵樹枯掉了，樹葉是褐色，那就會失去辨識的能力。所以必須告訴機器樹的圖片及告訴它這就是樹，經過學習，即使一顆新的樹，它也能辨識出結果。

什麼情況下適合用機器學習？
並不是所有問題都能用機器學習解決，如果問題存在這三個關鍵的話，大致上就能用機器學習解決：

1. 問題能透過學習來改善，也就是說，資料及問題必須有潛在規則，講白話一點就是「有跡可循」。
2. 無法用程式直接把判斷寫出來，如果能用程式把每一個判斷都寫出來，那這樣就不用機器學習了。
3. 必須有足夠的資料提供機器來學習。

用理論方式描述機器學習
用銀行發信用卡給客戶為例子，把客戶的資料當作input: x, 是否發卡當作output: y。我們在上面有提到，機器學習要學到技巧，也就是f，但這個f是指理想上機器學習想學的，但我們不知道f。所以機器必須從大量的資料裡做學習，從客戶的歷史資料x，都能對應是否要發放信用卡給這個客戶。我們希望機器從中學習到一個函數g，我們希望這個g很接近f，銀行就能透過這個函數來判斷是否給客戶信用卡。

• Learning model
  以剛剛為例，機器學習到的g有很多個，例如年薪是否有 80 萬、負債是否有 10 萬、工作是否滿兩年等等假設，然後把學習到的g都放到一個H(hypothesis set)裡，然後機器學習演算法A要從H中找到一個最符合原始資料的g，也就是說透過g產生的y與實際的y是否吻合。
  
  以影像辨識為例，機器學習到的f(這裡指的是上面所提到的g)都放到function set，然後機器學習演算法要從function set中找到一個最符合原始資料的f，也就是說透過f所預測出來的結果與實際是否吻合。從下面兩張圖可以發現f1是比較好的function，所以機器之後就使用f1來判斷新的圖片。