今天沒有前言，事不宜遲直接進入主題系列
是這樣的 你可以想像ML能夠為你帶來什麼 影片中的Google Map 作為範例
早上前往公司，Google Map推薦我三條路線， 左邊地圖 顯示最短路線 路線跨越華盛頓湖 既然推薦這個路線就必須要知道華盛頓湖的那座橋今天有開放嗎 否則推薦這個路線就沒有用了吧 所以我們可能需要一些關於這個橋的 數據 的數據不僅僅是今天橋是否有 開放 還得考慮到各種因素 所以最後我們還是回歸的使用最短路徑演算法
中間的圖的例子 Google Map 要如何知道你現在是在地面上 而不是在 地鐵 或是地下道 又或者是 大樓怎麼一層樓。 透過WiFi points 大氣壓力 或者是典型的走路速度 那當你有了這些數據之後 最好使用ML 而非編寫 一行行的規則 if
再來右圖 Google Map 偵測到使用者人現在正在日本 Google Map就自動 聯繫到過去的歷史 發現使用者 偏好 藝術 還有博物館 這就是一個ML問題 能針對使用者的偏好然後進行推薦 最後 我們還會詢問這個推薦是否有用 無論是否 數據都會成為ML的一部分 就是讓使用者親自告訴我們這條訊息是否真的有用 我們的理想是希望Google Map成為你的虛擬助手 提供使用者更好的服務體驗
最短路徑演算法 WiFi points 大氣壓力 典型的步行速度 使用者的偏好 個人化服務 這些東西是以往 編寫 規則完全無法做到的事情 甚至是說使用機器學習 才能真正實現 這些個性化 無法掌握的規則 只有 ML大數據能夠推動
所以無論如何完成這些事情我們都需要大量的資料
不管是編寫規則還是機器學習
這種能夠幫助我們從編寫規則到寫規則無法實現的功能
誰不想要一台適合所有人的功能呢
影片中的範例幫助我們了解如果ML是一架火箭
那麼推動它的燃料就是大量的數據進料蒐集各式各樣的數據
盡量收集各式各樣的數據 好讓我們在各式的模型和演算法當中凸顯整體的模式
請注意我們需要的是大量的數據多花時間在數據收集的地方這樣就已經贏了一半了
最後 最重要的就是收集數據的策略
感謝閱讀 今日里程數－1573字
如果圖片侵權通知我，我會將圖片刪除
iThome鐵人賽
看影片追技術