机器学习简介 (Machine Learning, ML)

机器学习是一种透过资料、特徵撷取以及训练的方式，来帮助电脑能够学习并且辨认出特定领域的知识。而机器学习所运用的领域非常广泛，例如图像/影像辨识、自然语言处理、特徵辨识、搜寻引擎、语音辨识、手写文字辨识......等等，而基於以上这些延伸出来的应用更是不胜枚举，例如自动驾驶系统、医学辅助、自动化仪器等等。

历史发展

前面在介绍AI发展史的时候有聊过历史上发生的两次寒冬，而机器学习发展的兴盛与衰败也与这些历史息息相关。
1980年代AI经过第一次寒冬後开始复苏，其中一部分的原因就是机器学习开始盛行，此时科学家们把机率、统计等大量理论结合类神经网路的发展，让电脑能够透过这些资料来学习新的技能，也就是所谓的机器学习。

然而到了第二次AI寒冬时，人们发现机器学习/类神经网路虽然有趣，但实际做出来的成果也不一定比其他传统的统计方法来的好，反而需要使用更多的资源。
一直到2006年，Geoffrey Hinton教授成功解决了类神经网路的瓶颈、并用了改良过後的深度学习的让机器学习再一次的回到大众的目光并且带动新一波的AI高潮。

机器学习的核心观念

如果要简单说明机器学习到底是什麽的话，我们用以下这样的观念来解释他:

1. 把一堆准备好的资料给电脑 (Input)。
2. 电脑透过机器学习的演算法去分析理解Input的资料，这个过程我们可以称之为为训练 (Training)。
3. 电脑有办法依据前面的资料与训练分析出结果。

例如

1. 我们准备了几万张的小狗与小猫的照片给电脑 (Input)
2. 电脑透过演算法分析这些照片找出他们的特徵 (Training)
3. 透过训练後的电脑，当你下次给他一张小狗或是小猫的照片後，他会依照1+2训练出来的结果，告诉你这张照片是猫还是狗。

我是谁?

皮卡丘~

而机器学习里面我们可以分为几个类型：
1. 监督式学习 （Supervised Learning)
监督式学习，顾名思义，人类必须扮演类似老师一般监督着机器的角色。在监督式学习中，我们对於Input给电脑的Data中都必须要先由人类做好标注，而这里面包含了特徵和结果。以前面的例子来说，每一张狗跟猫的照片，我们必须要告诉电脑里头的特徵以及他是狗还是猫，例如有没有爪子、有没有肉球、牙齿耳朵的形状、毛发颜色等等，而每一张照片也必须要让电脑知道它的正确答案是什麽。那麽经过几万张照片的训练之後，电脑就能依照前面训练出来的经验去判断新的一张照片是猫还是狗。

2. 无监督式学习 (Unsupervised Learning)
无监督式学习则是把前面人类标注特徵与结果的部份给省略，因此依样喂给电脑数万张猫与狗的照片，但却不告诉电脑每张照片里有什麽特徵以及每张照片对应的是狗还是猫，期望电脑能够自己在这些照片中找出规律 (训练)。

3. 半监督式学习 (Semi-supervised Learning)
半监督式学习则是介於两者之间，对於Input给电脑的资料里面，只有少部分给予答案给电脑当作参考，并让电脑依据这些去把剩下的照片找出特徵并分类。可以理解成上课时，老师只教你部分的题目跟答案，请你回家後自己把剩下的部分搞懂并完成。

4. 强化式学习 (Reinforcement Learning)
强化学习相对於前面三项比较不同，想下一下人类要做决定时通常会依据当下的环境状态来选择要做什麽决定 (动作)。而执行了选择的决定(动作)後，环境会给予做决定的人一个回馈，而执行的动作也会改变当下的环境状态，使得当下的环境状态进入到新的状态。

因此机器在做强化式学习时，流程就是
观察现在的环境状态 => 选择动作并且执行 => 收到环境给予的回馈并重新观察新的环境状态
而另一个不同之处在於，增强学习时并不会一次把所有的资料全部丢给电脑，而是不断的喂给电脑，再经过上面的机制去做修正改进。

那麽明天我们再来聊聊最後深度学习的部分，以及为什麽到了这几年机器学习／深度学习相较与过往能有如此大的进展与强化，接着我们就会正式开始聊聊ＡＩ与作曲。