這邊我將搜尋「數字辨識、手寫數字辨識(handwritten number/numeral recognition)」等關鍵字時會找到相關資料方法稍微分成了三類，分別是：

• 能最快做出來的方法：OCR (Optical Character Recognition，光學字元辨識)
• 網路或書籍資料文章等參考資料最多的方法：神經網路 (NN, Neural Network)
• 其他歸在機器學習裡的方法

一、能最快做出來的方法

昨天提到了，要做一個手寫數字辨識系統可以分成三步驟，考慮輸入、輸出形式跟找一個數字辨識方法。

所以從能最快做出一個手寫辨識系統的目標來說，第一個想法是有沒有一個數字辨識的套件，當我直接在網路上找一張手寫數字的圖片作為輸入(input)，輸出的數字結果(output)直接印(print)在 console 上，就可以預測出我的圖片數字。

這部分會介紹圖片內容轉文字－ OCR 這個方法。

二、網路或書籍資料文章等參考資料最多的方法

作為這十年來最潮的神經網路，以其實作手寫數字辨識系統的資料非常多，這邊引用知名AI講師-Isaac Lee 李厚均所撰寫並轉載到小李談數智的一段話：

為什麼這幾年人工智慧會突然爆紅？原因有非常的多，但如果單以”技術”的角度來看，這幾年科技的發展剛好滿足了人工智慧的三個基本需求─算法、算力及資料[註1]

在這個部份我們會介紹怎麼利用 Keras 這個機器學習套件/框架，建出簡單的神經網路(NN) - MLP(Multilayer perceptron) 來實作手寫數字辨識系統，說明使用此方法的優缺，並簡單講解可以怎麼調整，及其和其他神經網路的關係，如 CNN(Convolutional Neural Network) 便是在 MLP(=dense layer) 多加卷積層(Convolution Layer)與池化層(Pooling Layer)。過程中也會介紹 MNIST 資料集及相關實作環境。

三、其他歸在機器學習裡的方法

機器學習的方法有很多，因為它就是一個手段方法，為了達成人工智慧的目標。

圖片來源:李宏毅老師機器學習課程投影片[註2]

這部分會在前兩部分介紹完介紹，這邊先放一張 Microsoft 協助你去選擇適合的方法演算法的路徑圖，由於數字辨識是一個分類問題，所以可以看右上角提供的一些跟分類有關的方法，如邏輯回歸(logistic regression)、多層神經網路(Neural Network)跟決策樹(decision tree)等。

ps. 可能有人會問不是預測一個數值，為什麼不是看左下角回歸的部分？回歸問題跟分類問題其實不大一樣，回歸看的是變數之間的關係(相關、相關方向與強度)，也可以說是目標與預測數值的關係，顯然的數字辨識並不是要讓機器看我的手寫數字跟預測數字的關係，而是讓機器學會去分類我的手寫數字到底是 0~9 哪一類，達到預測結果。只是在實務上我們常會將回歸問題與分類問題互相轉換，譬如說預測年齡問題，轉成年齡段分類問題。至於回歸與邏輯回歸的關係我們後面會講到。

圖片來源：https://docs.microsoft.com/zh-tw/azure/machine-learning/algorithm-cheat-sheet

　
接下來我們就先從用 OCR 來快速實作看看手寫辨識系統是什麼吧！

[註1]【AI 人工智慧】人工智慧為什麼會爆紅？
[註2] ML Lecture 0-1: Introduction of Machine Learning(2017)