前陣子參加了沈瑞恩醫生舉辦的機器學習工作坊，他在一年內自學機器學習，並且在此工作坊內將其講的淋漓盡致老嫗能解，實在另我佩服得五體投地，本篇僅為個人聽講後的練習，也就是課後作業的概念！

我想嘗試在本文用五百字內，讓你能夠搞懂機器學習基礎中的基礎的概念，至少就是有人談論起機器學習時，你可以很精準的跟她解釋這在幹嘛，也是我自己的一個小挑戰。

但後續若有興趣想要深入學習，延伸會放上沈瑞恩的簡報，以及其直播內容，以及台大教授李宏毅網路上的免費完整課程，非常推薦一看。

本文 — 機器學習是啥

「機器學習」是人類渴望機器能夠做到近似人類能做到的事的一種技術。像是辨識出圖片中的是貓還是狗，辨識出這段話在講什麼。

機器學習分成「監督式學習」和「非監督式學習」，前者需要人類給予資料教導後機器能舉一反三，後者則是希望機器能再看過資料後無師自通。目前以「監督式學習」的技術相對成熟。

機器學習重點有三：

1. 找一個函數
2. 定義「好」的函數
3. 找出最好的函數

其概念就是期望人類輸入資料給函數後，機器能夠給出這個資料能推導出的正確答案。像是預測明天的天氣，或者是辨識圖片上是貓還狗。

而要給出正確答案的關鍵就，最簡單的函數是像是 y=a+bx 之類的公式，輸入資料(x)透過各式各樣的函數的組合（演算法）處理後就會得出一個答案(y)。但這個答案可能跟正確答案還有一些「差距」，當我們找出其中差距最小的函數後，它就成為了最好的函數。

機器要預測的好，需要先被教導，因此首先我們需要提供機器定量的資料，將這些資料輸入演算法中，去試試看哪個演算法跑的好，這就是訓練機器的過程。

不同的演算法在不同條件下可得出更好的結果，隨意舉例：

• 深層神經網絡
• 隨機森林
• 支援向量機

比喻來說，機器學習就是我們希望訓練出一個預言精準的算命師。算出明天的天氣，算出明天的股價…

註：機器=程式代碼
註：演算法的嚴謹名稱為「梯度下降法」