[D17] ML机器学习（入门）

之前有提到 CNN 业会用在 ML ，那甚麽是 ML 呢？

Machine Learning 机器学习

ML 就是 Machine Learning 的缩写，大家常常会分不清人工智慧、机器学习、深度学习三个的区别，我们来看一下！
图片来源

简单的说，人工智慧（Artificial Intelligence = AI）是藉由电脑来执行人类智慧的过程，机器在经过程序设计之後，能表现出与人类类似的智慧。

机器学习是透过演算法将收集到的资料进行分类或预测模型训练，让得到的新资料可以透过训练出的模型进行预测 。

深度学习（Deep Learning = DL）则是一种实现机器学习的技术。

ML的种类

1. 监督式学习（Supervised learning）
   所有资料都是 labeled，告诉机器相对应的值，以提供机器学习在输出时判断误差使用。
   → 这种方法为人工分类，对电脑来说最简单，但对人类来说最辛苦。
   ex：要训练机器区分大象和长颈鹿，则提供机器 100 张大象和长颈鹿的照片，机器依照 labeled 的照片去侦测大象和长颈鹿的特徵，依照特徵就能辨识出大象和长颈鹿并进行预测。

2. 非监督式学习（Un-supervised learning）
   所有资料都是 unlabeled，机器透过寻找资料的特徵，自己进行分类。
   → 此种方法不用人工进行分类，对人类来说最简单，但对电脑来说最辛苦，误差也较大。
   ex：辨识大象及长颈鹿，机器得自行判断提供的 100 张照片里有哪些特徵的是大象、哪些特徵的是长颈鹿并同时进行分类。

3. 半监督式学习（Semi-supervised learning）
对少部分资料进行 labeled，电脑只要透过 labeled 的资料找出特徵并对其它的资料进行分类。
→ 这种方法可以让预测时比较精准，是目前最常用的一种方式。
ex：若有 100 张照片，则标注其中 10 张哪些是大象哪些是长颈鹿，机器透过这 10 张照片的特徵去辨识及分类剩余的照片。

4. 强化式学习（Reinforcement learning）
   机器透过每一次与环境互动来学习，以取得最大化的预期利益。
   → 运用强化式学习的方式，不标注任何资料，但告诉它所采取的哪一步是正确、那一步是错误的，机器自行逐步修正，最後得到正确的结果。

之前说过 CNN 能应用在 ML 上，上面例子中的辨识照片就是 CNN 实际的应用！