機器學習學派的理論與架構

機器學習學派

1. 機器學習基本概念：透過以往資料的學習，選擇資料的特徵(Features)並自行歸納出隱藏在內的規則(Pattern)後，建立數學統計模型，來對將來輸入的新資料進行分析與判斷的一種人工智慧技術。
   機器學習主要目的在於「模型的設計與分析」，重點在於尋求一個機器可以自動學習的最適合「演算法」，而非尋求清楚列舉人類的「專家系統法則」。
2. 機器學習的主要步驟(以監督式學習為例)
   機器學習主要有以下步驟：
   ①訓練資料的獲取。
   ②資料特徵的選擇(Feature Selection)與特徵擷取(Feature Extraction)。
   ③建立預測模型。
   ④以此模型來判斷未來。
3. 機器學習優點
   ①建模速度快：只要選擇一個適當的演算法與特徵組合。
   ②彈性大：調整模型內的參數，或測試另一個模型來比較。
   ③應用範圍廣：可處理結構、非結構資料。
   ④可找出人類無法找出的規則：自己可以經由不斷的錯誤、修正，找出連人類專家都無法瞭解的「複雜特徵組合」來預測與分析資料。
   ⑤沒有專家系統的諸多缺點。

法則學派與機器學習學派的比較

法則學派：
* 處理單元：法則。
* 處理哲學：邏輯推理。
* 處理工具：專家系統。
* 適合應用：結構化、法則有限、法則明確、特定狹隘領域。
* 主要問題：法則太多、無法表達、不明確、不穩定、例外多。
* 主要優點：可以清楚說明推理依據。

機器學習學派：
* 處理單元：資料的特徵值。
* 處理哲學：訓練、回饋、修正、調整。
* 處理工具：統計模型、神經網路模型。
* 適合應用：結構+非結構(語音、圖像、人臉辨識)。
* 主要優點：沒有法則學派的限制、應用較廣、彈性大、建模速度快、可找出人類無法找出的規則。
* 主要缺點：神經網路無法說明推理邏輯、缺乏說明能力及商業決策推理、蒐集資料、訓練成本高。

參考資料
人工智慧-概念應用與管理　林東清著