人工智慧vs機器學習vs深度學習

人工智慧一直是人類期望發展的事物，我們常說的人工智慧應該是包含像人一樣思考(AI)，能夠解決計算問題(ML)，以及電腦視覺(DL)等等，而目前我們能做出的人工智慧都是弱人工智慧，設計目的都是針對特定的問題，而強人工智慧則是科幻小說中常見的，能夠獨立思考，基本上與人類相差不大。

為什麼機器學習崛起?

其實早在1950年代，工程師就不斷的在嘗試所謂的人工智慧，但是當初的硬體設備並不足以支撐如此龐大的運算量，就算能成功計算也並沒有太大的商業或科學使用價值，例如花費數天但是只能運算出代數問題，雖然對於科技使用上是進步，但是實在沒有太多的應用。更在研究初期因為神經網路的理想與現實的差距，導致大家認為神經網路是一個不可行的概念而放棄研究，直到2006年，深度神經網路(DNN)解決了過去的問題再次席捲而來，重新被大家命名為深度學習(Deep learning)並展開研究。

當硬體設備進步到一定程度後，伴隨著各式各樣的資料越來越完整，機器學習的重要性就提升更多了，常常有人說到AI會取代掉人類，但其實領域知識在機器學習的過程中也是非常重要的，機器學習擅長從大量的數據找尋相關的線索，而人類則常使用經驗做為判斷的依據，但是需要花費大量的時間，因此運用機器學習就能達到自動化的執行，使人類能放更多心力在其他重要的事情上。

為什麼要機器學習?

如同前一段所提到的，機器學習不僅可以做過去人類所做的，從特定的特徵中將人分類；也可以從龐大的數據裡面找到一些跡象，例如蒐集發票資訊來協助商品行銷，而這些事情有著過於龐大的特徵，使用人工辨識會有相當大的成本以及難度，這些都是機器學習與資料科學能夠在這個時代快速竄起的原因。

本系列文章你會學到什麼?

1. 基本環境的建立
   起初我會帶領各位從零開始建立python的開發環境，使用Anaconda進行套件管理，並使用jupyter notebook進行主要的開發，但為了降低不同電腦之間的環境差異，在教學的過程中會使用Google Colab降低環境造成的影響，使讀者能夠專注在機器學習技法上。
2. 機器學習流程
   從基本的資料前處理開始，我會講解一些常見的機器學習流程，從補值、EDA(探索式資料分析)以及一些特徵的新增或刪除，到模型建立的變異與偏誤權衡等等，讓你在閱讀完此系列文章之後也能夠快速的上手機器學習。
3. 實際競賽挑戰
   透過最常使用的競賽平台kaggle，從平台所提供的資料帶領讀者進行實戰的練習，並且可以透過late submiision進行分數計算，明確感受到自己的進步以及對於訓練模型調整的直覺。
4. 網頁資訊呈現
   藉著本次競賽的機會，與其他團體賽的組員合作完成一個將資料視覺化呈現的網站，因此會有一部分的api使用介紹。

更詳細的團隊介紹可以點擊
團隊資訊