今天第三天，前兩天介紹了這幾年突然流竄速度爆高的人工智慧和整個ML在GCP上的工作架構，
今天會繼續深入探討ML的相關理論，若是還沒過我昨天文章的小夥伴們記得回去看完再來看這篇會比較好理解喔喔～
[Day 02] Google ML 1-1 Introduction to specialization 帶領你進入ML的絕對領域！

1. What it means to be AI first

前面有說過，AI是我們的終極目標，而機器學習ML是我們達到這個目標用的手段方法。影片中解釋

AI是一種學科，一個學科我們討論如何使機器跟人一樣聰明，
有點像在探討建構一個人類的思考和行為模式的理論和方法

ML是工具集是用來實現AI的方法，有點像牛頓的力學定律，
如果將球從懸崖上掉下來會花多少時間諸如此類的解題方法，
ML同樣可以運用於AI當中，ML沒有智慧(intelligent)但是會變得越來越有智慧(become intelligent)

2.ML的兩個階段

第一階段是訓練(training)

訓練ML有許多方法，這裡討論是監督式學習(Supervised Learning)
在監督式學習中，我們給機器input大量圖像，還有label，label是input data的答案，
因為模型本身就是一個數學函數，機器會尋找最符合輸出=輸入的函數式

第二階段是預測(inference)

訓練完成的機器模型，理想上，當我們給予貓的圖片給機器時，
就算機器先前沒看過這張照片，也會知道這張圖片是貓，
因為我們先前已經給機器看過大量的圖片做訓練了，
所以機器能夠辨認出來，越多的資料，精確度就會越高

這裡影片中特別提到，許多有關機器學習的書籍，部落格文章，還有在大學課程中，他們偏向著重於第一階段的訓練，他們可能會告訴你說阿，訓練很重要阿，數據越多越好才能訓練越多啊，反而相對第二階段阿只是輕描淡寫的過去

但是說實在的，在現實生活中，若沒有辦法控制ML去預測你要預測的東西，那你訓練再多也是沒有用的，因為他就是一個瑕疵品，沒有用的東西就是不能拿來使用的。

結語和一些小心得

今天才第三天，有點筋疲立盡想要放棄，畢竟我還是個高中生，同時要顧及課業又要花不少時間在機器學習的課程上，早上上課一整天下午放學回來要打工，實際在學習和寫文章的時間只有晚上10.之後，一忙就忙到2.3點，還要連續堅持30天，對我來說的很不容易，但是這是我的興趣，希望我能堅持下去，文章品質的部分我再檢討，我剛剛本來快打玩了，結果一不小心案到F5重新整理，2小時的份全部消失，這網頁編輯器真的該檢討了...有夠雖

今日里程數－1978字 感謝閱讀～