機器學習(Machine Learning) 🤖

在開始討論機器學習之前，讓我開著時光機帶大家回到高中數學課。在 函數 這個單元中，我們最常見的算式是：

y = f(x) = ax + b

• y 是應變數 (Dependent Variable)
• x 是自變數 (Independent Variable)
• a 是斜率 (Slope)
• b 是截距 (Intercept)

a 跟 b 用機器學習的角度來看可以稱為 參數 (Parameter)。

過往我們在解這類型的題目時，只需要有兩對 x 跟 y 的值就可以求出 a 跟 b 並解釋這個函式，如此一來當我們帶入任何未知的 x 值時都能夠找到相對應的 y 值。有了這些基本概念之後，我們就可以解釋 什麼是機器學習？

假設我們要建立一個函式，當我們輸入一張圖片時，這個函式可以判斷這張圖是貓還是狗。可想而知，這個函式絕對不是只靠 1 個 a 跟 1 個 b 就能完成的，它的參數量可能是幾萬或幾億個。我們稱這些擁有大量參數的函式為 模型 (Model)。前面提到的貓狗分類便是機器學習領域的 分類 (Classification) 問題，因此機器學習可以解釋成：

機器透過資料找出參數建立模型的方法

機器學習四大主線任務：

• 監督式學習 (Supervised Learning)
• 非監督式學習 (Unsupervised Learning)
• 半監督式學習 (Semi-Supervised Learning)
• 強化式學習 (Reinforcement Learning)

未來的幾天我們會深入探索不同的機器學習任務以及實際應用的案例。

題外話😂

最近午餐時間很喜歡配著博恩的節目「博音」來配飯。不管是討論到「關心」在我們華人社會很容易被無限上綱，又或是之前找神經元來討論如何從競爭以外的價值系統來得到快樂，我覺得都是很有意思的話題，推薦大家有空可以去收看(聽)。

參考資料💯

生成式 AI 是什麼？

80% 人生問題的答案 ft. 馬克瑪麗

別再扯學歷了 ft. 神經元