緯緯道來

大四學生,主修資訊工程,熱衷於深度學習與機器學習。初期先以基本的程式教學為主,希望我的文章能夠幫助到你!

AWS ML FOUNDATION (1) : 什麼是機器學習

發布於

前言 & 概述

Machine Learning 是一種軟體技術也是實現人工智慧 (AI) 的方法之一。透過 AI 的技術,我們不需要寫死程式碼,教導電腦解決問題。而是提供大量數據,讓電腦自己從數據中發掘解決問題的方法。

在本篇文章中,將會介紹什麼是 Machine Learning、Machine Learning 中又包含哪些類別,以及 Machine Learning 與 Traditional Programming 又差在哪呢!

什麼是機器學習

source: NVIDIA

「機器學習」是一種可以讓電腦從資料中學習,發現資料中的規律與模式,並進行預測的演算法。機器學習也是「人工智慧」(Artificial Intrlligence) 的一種實現方式。

至於什麼是人工智慧呢?人工智慧指的是電腦能夠像是擁有人類般的智慧一樣來解決問題。

機器學習底下有非常多的演算法,可以幫助機器 (電腦) 從資料中學習,上圖的 Deep Learning (深度學習) 即屬於其中一種特別的演算法。當然,深度學習中又包含了非常多的演算法,但這不在此篇文章的教學目標中。

機器學習中包含什麼演算法

如同前面所說的,機器學習中包含了非常多的演算法,然而大致可以將這些演算法區分為三種類別:Supervised LearningUnsupervised Learning 與 Reinforcement Learning。這三種類別底下當然包含很多演算法,這三種類別也有其各自的特性!

  • Supervised Learning
    第一種為 Supervised Learning,中文稱為「監督式學習」。爲什麼稱為「監督式」呢?因為這類的學習方法像是有一個監督者在電腦旁邊監督它學習一樣。通常會準備非常多的「資料」以及這些資料的「標籤」,電腦在看了資料後必須說出這個資料的標籤。即使電腦說錯了,因為早就有準備正確的標籤,所以電腦可以知道正確的標籤是什麼。

    這就像是小孩子在學習英文字母的過程中,有一個老師在旁邊聽小孩子的發音,如果小孩子念錯了,老師就會立刻糾正,告訴小孩子正確的發音。
  • Unsupervised Learning
    第二種為 Unsupervised Learning,中文稱為「非監督式學習」。相較於監督式學習,這類型的學習方式就沒有一個監督者站在電腦旁邊告訴他正確答案。電腦必須自己去摸索,找到正確的規律。也就是說,我們會準備很多「資料」給電腦,然而卻沒有這些資料的標籤。電腦必須自己觀察這些資料找到他們的相同以及不同之處,發現他們存在的某種模式。

    這就像是小嬰兒在分類綠豆和紅豆的過程,他並不知道誰是綠豆誰是紅豆,而是依據他的觀察把「綠的」放一邊,把「紅的」放另外一邊。
  • Reinforcement Learning
    第三種為 Reinforcement Learning,中文稱為「強化學習」。相較於前面兩種學習方式,這類型的學習方式更像「人類」會有兩個重要的元素:代理人 (Agent) 與環境 (Environment)。代理人會觀察目前週遭的環境並做出一個「行為」。環境則會依據代理人行為的好壞給予這個行為一個「獎勵」。代理人的最終目的就是要獲得最多的獎勵。為了要達到目的,代理人就會學習去表現得更好。

    實際上,對於這種學習方法我們再熟悉不過了。我們在學校、職場上會因為做對事情收到褒獎,因為做錯事情受到責罰,我們因此而更懂的拿捏分寸,更知道如何把事情做好。

Machine Learning vs Traditional Programming

source: Udacity

在傳統軟體開發的領域中,通常是由「人類」分析數據,透過數據我們可以更了解問題是什麼,進而發想一個解決方案,再透過程式碼將解決方案轉化為一個程式。

例如:我經常忘記看天氣預報,所以下雨天時常忘記帶雨傘,淋得全身濕濕的。根據這個問題,可能的解決辦法是透過一個程式自動抓取明天的天氣預報,如果預報中指出明天會下雨,就發送 Line 通知到我的手機上。有了這套解決辦法的思路,就能透過爬蟲、Line Bot API 等技術寫出一個程式,進而解決問題。

然而,有些問題沒有辦法透過很明確的方法來解決。

例如:辨識一張相片中是貓咪還是狗狗。貓咪和狗狗在身型上就有很多特徵的差異,光是狗狗或貓咪自己也有很多種類的差別,每個種類也要考慮很多特徵進行區分。此外,照片當時拍攝的光線、視角也會影響照片中物體的樣子。如果要將這些特徵全部寫在程式中,大概一輩子也寫不完。

Machine Learning 的優勢正是能夠解決這類問題。在 Machine Learning 的演算法中,我們通常會準備以下三個元素:

  1. 大量資料
  2. 模型
  3. 訓練模型的方法

透過「大量資料」以及「訓練模型的方法」我們訓練出一個能夠辨識圖片是貓咪還是狗狗的「模型」。也就是說,將這張圖片輸入模型中,模型會輸出一個結果:是貓咪與是狗狗的機率分別是多少。透過 Machine Learning 的技術解決 Traditional Programming 無法解決的問題。

結語

在本篇文章中,對 Machine Learning 有了初步的認識,了解 Machine Learning 底下的三種類別的演算法,並區分 Machine Learning 與 Traditional Programming 的區別。

此文章屬於 AWS ML Foundation 的第一篇文章,在下一篇文章中,將會介紹 Machine Learning 中的「模型」以及「訓練的方法」。

我將此文章同步發表於我的個人網站上。如果你也對於機器學習有興趣,可以在網站中找到更多資訊!

喜歡我的文章嗎?
別忘了給點支持與讚賞,讓我知道創作的路上有你陪伴。

CC BY-NC-ND 2.0 版權聲明
1

看不過癮?

一鍵登入,即可加入全球最優質中文創作社區