前言

在接觸機器學習幾年後，對於背後的理論確仍就是一知半解，於是這系列的文章誕生了。

接下來的文章會以每個主題技術分三天講解：

1. 主題技術之背後理論
2. 從頭實做主題技術 (From Scratch)
3. 透過 Kaggle 或其他資源運用主題技術

Table of Contents

• 前言 & 機器學習簡介
• Supervised Learning
  • Polynomial Regression
    • 背後理論
    • 主題實作
    • 解決真實問題
  • Naive Bayes
    • 背後理論
    • 主題實作
    • 解決真實問題
  • Support Vector Machine
    • 背後理論
    • 主題實作
    • 解決真實問題
  • K nearest neighbors
    • 背後理論
    • 主題實作
    • 解決真實問題
• Unsupervised Learning
  • Gaussian Mixture Model
    • 背後理論
    • 主題實作
    • 解決真實問題
• NN
  • Multilayer Perceptron
  • Neural Network
    • 背後理論
    • 主題實作
    • 解決真實問題
  • Autoencoder
    • 背後理論
    • 主題實作
    • 解決真實問題
  • Recurrent Neural Network
    • 背後理論
    • 主題實作
    • 解決真實問題
• RL
  • Deep Q-Network
    • 背後理論
    • 主題實作
    • 解決真實問題
• Rewind

機器學習是 ?

實現人工智慧 (Artifical Intelligence) 的方法之一，透過設計的演算法來分析數據，並在學習後進行判斷或決策。

舉例來說，我們必須以以下資料去判斷說未知輸入資料的輸出，
其中已知資料包含 ，依照剛才簡述的三個步驟，

1. 我們可以定義一個一元一次函數
2. 透過已知資料，我們可以發現當 且 時，該函數可以符合已知資料的輸出
3. 當有未知資料 ，作為輸入時，我們可以透過此函數去預測，其有可能會有 的輸出

機器學習與...的距離

• 人工智慧: 機器學習並不等於人工智慧，機器學習只是實現人工智慧的方法之一
• 深度學習: 深度學習是機器學習的一種演算法，輸入資料透過已經訓練好的人工神經網路 (Neural Network) 來分析並給予分類
• 資料科學: 在資料科學領域，我們可以使用機器學習對資料進行分析。但資料科學並不只限於此，如何透過資料或的實際效益也是重點，機器學習只是資料科學的應用之一

From Wikimedia Commons, the free media repository

機器學習包含哪幾類

機器學習可以分為以下幾類：

1. 監督式學習: 主要透過訓練資料並建立模型，透過以建立模型去預測以新資料為來源的輸出。
   其中給定資料皆已標記，即已在每筆輸入資料都有相對預期輸出結果，而這在機器學習可以稱為 Ground truth，也就是每筆輸入資料的正確答案
2. 半監督式學習: 僅透過少量標記資料訓練並建立模型
3. 非監督式學習: 與監督式學習相反，必須透過無標記過資料來建立模型，而模型會透過輸入資料來分類
4. 強化學習: 根據環境的互動，來得到所期望之最大效益。在大多數情況下，強化學習會看作是一種馬爾可夫決策過程

其中以監督式學習較為普遍，常見的演算法可大致分為分類 (classification) 以及遞迴 (regression)

機器學習的演算法有...

主要列舉以下演算法，而粗體字為涵蓋內容

監督式學習

• Classification
• Regression
  • Linear Regression
  • Polynoimal Regression
  • Support Vector Regression
  • Decision tree Regression
  • Random Forest Regression
  • Ridge Regression
  • Lasso Regression
  • Logistic Regression
• Neural Network
  • Perceptron
  • Feed Forward Neural Network
  • Multilayer Perceptron
  • Convolutional Neural Network
  • Recurrent Neural Network
  • Long short-term memory recurrent neural network
  • Sequence to Sequence Models
• Naive Bayes
• Support vector machine
• K-Nearest Neighbors

半監督式學習

• Transductive Learning
• Inductive Learning
• Generative Adversarial Network
• Self-training
• Co-training

非監督式學習

• K-means
• Autoencoder
• Gaussian Mixture Model

強化學習

• Q learning
• Deep Q-Network
• Actor-Critic
• Policy Gradient
• Proximal Policy Optimization

在這裡也感謝關注我文章的人，讓我們一起進步吧

Reference

• 什麼是機器學習？
• ML Lecture 0-1: Introduction of Machine Learning