昨天開始正式進入Colab的機器訓練後，今天要來中場休息一下，介紹機器學習的使用原理。AI行不行?我們繼續努力!

我們先來看看一個基本的概念
人工智慧、機器學習、深度學習關聯性

機器學習，其實是人工智慧的分支，會這麼說是因為機器學習是透過演算法，使用大量的資料進行學習。至於深度學習，又可以說是機器學習的分支，深度學習可以模擬人類神經的運作方式。

機器學習介紹
機器學習透過演算法，收集大量資料訓練後，產生出模型。機器學習的訓練的資料是由features、label組成。

1. Features: 資料的特徵(濕度、風向、風速、季節、氣壓)
2. Label: 資料的標籤(希望預測的目標，降雨、氣候、氣溫)
   訓練(Trainning): 訓練資料是過去累積的所有資料，經過Feature Extraction(特徵萃取)，產生Feature、Label，然後藉由機器學習得出模型。
   預測(Predict): 新輸入資料，經過特徵萃取產生Feature，使用上述的模型進行預測，得出結果。
   如下圖所示:
   

分類
機器學習可分為以下三種:

• 監督式學習

1. 二元分類
2. 多元分類
3. 回歸分析

• 非監督式學習
• 強化學習

深度學習
雖然說是模擬人腦，但人腦的結構非常複雜，電腦可能難以模擬。為了使電腦有效模擬，將神經元分為多層次，來模擬神經網路。通常會有一個輸入層、一個隱藏層以及非常多層的隱藏層，這就叫做深度學習。

今天來個中場小休息，聊聊何謂人工智慧，明天再接再勵囉!

Reference: 林大貴(2019)：TensorFlow+Keras 深度學習人工智慧實務應用。新北市：博碩文化