各位好，今天是day5，小編來講解下今天的進度，開始來探討AI之於Machine Learning之於Google之間的關係；

人工智慧就好比一門學科ex:物理學，人工智慧這科目的在於建構像人一樣思考和行動的機器的理論和方法，而機器學習是其中的一套工具，就好比牛頓定律之於物理學，我們可以使用機器學習來解決某些AI問題；而機器學習與AI其他技術之間的區別ex:專家系統，機器學習不是一開始就是聰明的，而是逐漸變得聰明。

機器學習分成兩個階段，訓練和推理。有時人們將推理又稱為預測或是推論，以下方監督式學習為例，將訓練資料做上Label，並輸入ML神經網路做訓練神經模型，ML神經網路其實就相當於一個數學函式，透過訓練資料及其Label，使數學函式得到最好的係數，讓訓練後推論出的答案和訓練及的正確答案越接近越好。

訓練模型的目的，是希望透過上個步驟訓練好的神經模型，能對不存在於資料集但是有同樣Label的資料，有正確的推論。

在許多有關機器學習的書籍、部落格、大學課程中，他們花大量的時間於第一階段卻忽略ML的第二階段。此課程將展示端到端的機器學習，生產機器學習模型。

我們需要習慣，一項產品會由數十種ML模型組成。 Ex:預測某件商品將缺貨，你需要將此問題分解為較小的問題。例如，您的第一個模型可能是預測商店位置對產品的需求，您的第二個模型可能會預測供應商的倉庫和附近商店中的此物品。您可能需要第三個模型來預測需要多長時間讓他們去庫存您的產品，並以此來預測您將要求哪個供應商重新填充架子以及何時重新填充。