了解必要的概论 | ML#Day2

ML 最主要的目的是得到一个数学函式，或者是说数学模型，然後运用该模型来得到想要的结果。

所谓模型，以资讯工程的角度简单解释，可以像是MD5或者sha1 那样的东西。

如上图示意，1 个input 对应到1个output，前後关系容易理解，如果有心想研究，进一步讨论md5或sha1里面的计算过程，耐心研读也是还在人类看得懂的范畴当中。

ML想要得到的数学模型，实务上要能够应用并且解决问题，需要更多的参数input，以及可能比md5的运算规则更复杂的运算方式去处理，才有机会得到想要的答案。

然而进入到ML的第一个门槛，自己主观认为首先最大的困难，是「接受」并且「认知」到模型的内在运作方式，大部分时候我们无法理解。

训练出来的模型，其实都是各式各样的数学函式组合，得出来很丑很诡异，基本上无法理解、无法解释为什麽要那样运算，但经过验证後，以统计的科学证明，却会是有用的东西，产生出来的答案可以非常接近我们预期的数值或结果。

无法理解，但有用，理性上要接受它这样，可能就是一道心理门槛。

这个时候我喜欢拿72法则来举例，72法则是爱因斯坦归纳出来的一种简单方式，估计资产翻倍所需报酬率的时间。

利用72法则得出来的结果并不会非常精确，但是已经符合我们的需求，另一个好处是计算成本也相对低廉，譬如说报酬率是8%，72/8 = 9，我们马上就知道需要约9年的时间，资产就会翻倍。

如果要求非常精准，往往要求的算法也跟着相对复杂，计算成本会跟着相对高昂，试想为了得到一个预测结果，将参数喂到电脑运算，可能需要好几个小时或好几天，甚至需要超级电脑才有可能得到答案，谁想要这麽做呢？实务上必定不符所需。

精准程度与否，在人类社会上视其目的，其实大多只需要到某种程度的评估结果即可，譬如说圆周率可是无穷循环小数，我们实务上通常只需要抓3.14，或者3.1415，根本不需要到一个完美的标准答案。

所以若能够找到一个像72法则那样的模型，有效地帮助我们快速简易的评估出一个符合所需的答案，就是ML的最大价值，尤其是现实社会问题往往没有一个标准答案，原本没有标准答案的问题，科学就很难推演，但今天只是需要有方向、有用、有大概范围的答案，寻找问题的解答模型相对就比较容易，成本也能够下降到一个我们更容易接受的程度。

总结来说，ML就是想要找到一个能够解决我们问题的圣杯公式，或许不会懂得圣杯的运作原理，但有用，而这个圣杯公式(数学模型)也只能适用单一问题，如果情况改变就派不上用场。

所以说，团队是否投入发展ML，是需要审慎衡量一下团队的目的与条件。