什麼是機器學習?

機器學習就是電腦根據過去的經驗自動學習，並運用學習結果解決問題。聽起來很簡單，但是在應用機器學習方法以前需要許多背景知識的基礎，例如統計學、微積分、線性代數等，要深入了解不是件容易事。
那與人工智慧(Artificial Inteligence)、深度學習(Deep learning)有什麼不同呢? 人工智慧是一個概括的詞，其包含了機器學習與深度學習；機器學習為人工智慧實現的其中一種方法，而深度學習為機器學習特定的演算法。他們的關係圖如下:

機器學習的種類

1. 監督式學習(Supervised learning)
   如果輸入電腦的資料有答案時，此方法稱為監督式學習。以預測今日的股價漲或跌為例，我們將過去五天的開盤價與收盤價當作輸入資料，輸出的資料為今日收盤價。輸入的資料通常稱為特徵，而輸出資料稱為標籤，因為此為分類問題(Classification)。當此問題變成預測今日的收盤價，也就是依變數(Dependent variable)為連續變數時，則為迴歸問題(Regression)。
   常見的演算法有線性迴歸(Linear regression)、羅吉斯迴歸(Logistic regression)、支持向量機(Support vector machine)、貝氏分類器(Bayesian classification)、決策樹(Decision tree)、K-最近鄰法(K-Nearest neighbors)與線性判別分析(Linear discriminant analysis)等。

2. 非監督式學習(Unsupervised learning)
   非監督式學習的問題沒有正確的解答，學習找出資料的特性。
   常見的演算法有主成分分析(Principal component analysis)以及K-means等。

3. 強化式學習(Reinforcement learning)
   強化式學習目標為基於環境而行動，以最大化利益為原則。本系列文章的重點不於此方法，因此不會有過多的著墨。

機器學習的應用

在我們的生活周遭都有許多物品應用了機器學習方法，例如語音助理Siri，使用自然語言處理的技術，將人類所說的語音轉換成文字，並且依據文義，找出最適合的答案，呈現在你的手機螢幕上。

感謝您的瀏覽，我們明天見!