今天將會提到機器學習派的理論與架構，並為學習理論做一個結尾。

機器學習派

機器學習的基本概念

機器學習指的是透過對舊資料的學習，選擇資料的特徵並歸納出隱藏在其中的規則後，建立統計模型，並且對未來輸入的新資料進行分析與判斷。

機器學習的主要步驟

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

例如:我們從未見過大象，當我們看到大象時，會從他龐大的體積、大耳朵、長鼻子中記錄下大象的樣子，當下一次在看到別的動物時，我們就能從這些特徵中判斷出此動物是否為大象。

機器學習的優點

• 建模速度快:只需要一個適合的演算法與特徵，便能快速建模。
• 彈性大:當預測不準確時，只需要調整模型內的參數或者特徵，便能提高準確率，不會像專家系統一樣牽一髮而動全身。
• 應用範圍廣:可以處理結構化與非結構化的資料，例如圖片、音頻等等，專家系統則較弱。
• 可找出人類無法找出的規則:處理較為複雜問題時，會自己透過不斷的推理演算，找出人類專家都無法找出的規則。
• 沒有專家系統的諸多缺點:法則太多、關係複雜等等。

接下來將談到對機器學習非常重要的監督式學習、非監督式學習與半監督式學習，在前幾天有提過三種學習的概念，接下來就一起深入學習吧。

監督式學習

監督式學習的基本概念與特色

監督式學習由人類來標註(label)樣本的答案，以此來監督機器判斷是否正確，是準確度最高、最普遍應用的學習方法。

監督式學習的主要任務

1.分類(Classification):指的是機器透過對過去資料的特徵，使用在新樣本上來判斷新樣本所屬的類別。
2.迴歸(Regression):當x與y是連續變數時，則用過去在x,y上學習到的關係，來預測新的樣本中x所對到的y值。例如透過前幾年銷售額預測今年銷售額。

監督式學習的函數表示法

f(x)=y
例:人臉辨識 f(人照片)=人身份。

監督式學習的主要演算法

可分為非類神經網路的傳統機器學習模型與神經網路深度學習法，演算法包含決策樹、貝式統計分析、隨機森林，在後面文章將會詳細說明。

半監督式學習與非監督式學習將會在明天繼續說明。

參考資料
人工智慧-概念應用與管理 林東清著