什麼是 AI & ML & DL

人工智慧是我們想要達成的目標，而機器學習是想要達成目標的手段，希望機器通過學習的方式，變得跟人一樣聰明。 而深度學習就是機器學習的其中一種方法。

• 人工智慧(Aritificial Intelligence, AI) → 目標
  • 機器學習(Machine Learning, ML) → 手段
    • 深度學習(Deep Learning, DL)
    • …

在機器學習出現之前

生物的行為取決於兩件事，一個是後天學習的結果，一個是天生的本能。

• Hand-crafted rules: 人類為機器設定好的天生本能
  • 僵化，無法超越創造者
  • 需要大量人力，不適合小企業

機器學習

• 寫程式讓機器可以學習 → 尋找關聯資料的函式
  • 舉例：語音辨識、影像辨識、Alpha Go、對話機器人
• 框架(Framework)
  • 設定一定量的函數
  • 餵入數據
  • 評估函數的好壞
  • 找出最好的函數
    \(\begin{array}{rc} \text{step1}&\boxed{\text{Define a set of function}}\\ &\downarrow\\ \text{step2}&\boxed{\text{Evaluate goodness of function}}\\ &\downarrow\\ \text{step3}&\boxed{\text{Pick the best function}}\end{array}\)
    • 告訴機器 input 和正確的 output 這就叫作 supervised learning。

機器學習相關的技術

任務(Task)

迴歸(Regression)

• Regression 指的是函數的輸出為 scalar(數值)，如 PM2.5。

分類(Classification)

• Classification 指的是函數的輸出為 東西的類別。
  • 當分類為 Yes or No，則為 Binary Classificatino，如垃圾郵件。
  • 當分類是多個選項的，則為 Multi-Classification，如新聞分類。

結構性學習(Structured Learning)

• 讓機器的輸出具有結構性。
  • 如語音辨識，聲音訊號為輸入，句子為輸出。
  • 如影像辨識，圖片是輸入，人名是輸出。

方法(Method)

選不同的 function set 就是選不同的 model。

• Model
  • Linear Model
  • Non-linear model
    • Deep learning
    • SVM, decision tree, K-NN …

場景(Scenario)

監督式學習

• Supervised Learning
• 需要 inputs 與對應的 outputs(label)
• 大量的資料需求

半監督式學習

• Semi-supervised Learning
• 同時有 Labelled data 與 Unlabelled data
• 可減少資料的需求量。

遷移學習

• Transfer Leanring
• 有大量的 Labelled data 與 Unlabelled data
• 其中包含有關聯的與無關聯的。

無監督學習

• Unsuperviesd Learning
• 只有大量的 inputs 而沒有 outputs
• 或大量的 outputs 而沒有 inputs

強化學習

• 沒有告訴機器正確的答案，機器有的只是一個分數，就是它做得好或不好。
• Alpha Go 是 Supervised learning + Reinforcement learning (先人工餵棋譜，再讓機器人互相下棋)

利用 reinforcement learning 來訓練聊天機器人，把機器人發到客服電話，讓機器人自己應對客人，若客人的反應勃然大怒，則機器會學到剛才應對的方式是錯的，讓機器自己去檢討哪個步驟做的不好。

我們為何要學機器學習?

好的 AI 需要好的 AI 訓練師，AI 訓練師討選合適的 model、loss function，不同 model、loss function 適合解決不同的問題。 有些模型的最佳化比較困難，例如深度學習，此時可能就需要有經驗的 AI 訓練師來處理。