機器學習(Machine Learning)，基本概念就是用過去觀察的資料，預測未知的結果或值。例如：冰淇淋店結合歷史銷售數據+天氣紀錄，根據天氣預測，推測未來銷售額。
機器學習Machine Learning心智圖 (自製)
機器學習=函式function
- y = f(x)，x是變數(特徵feature)，y是結果(標籤label)
簡單來說，就是輸入x，經過函式f( )運算，得出結果y。 - x可以是多個特徵值，在數學中表示為向量(vector )，如 [x1、x2、x3、...]。
- 舉例：
當日 (溫度、氣象、風流等) 的天氣測量是 特徵 (x)，而每天銷售的冰淇淋數目會是標籤 (y)。
特徵：attributes or features
- 利用過去觀察資料訓練模型，資料形式[x1、x2、x3、...], y
- 訓練：演算法algorithm會嘗試判斷特徵和標籤之間的關聯性，並推算如何從x計算出y。
- 演算法的結果是模型(model)，它是封裝好的函式y = f(x)。
- 利用封裝好的模型，我們可以輸入一組特徵值，讓模型算出預測值ŷ (y-hat)。
(y是實際觀察值，ŷ代表預測值)
機器學習的類型Types of machine learning
監督式學習Supervised machine learning
訓練資料包含特徵值[x1、x2、x3、...]和已知的標籤值y
- 迴歸Regression
模型所預測的標籤是數值，例如銷售的冰淇淋數。
(※重點：考題看到「預測數值」，就是要選迴歸) - 分類Classification
二元分類Binary classification
模型預測的結果是互斥的兩項 true/false 或 positive/negative例如：根據病患資料，預測是否有糖尿病風險(是/否)。
多類別分類Multiclass classification
模型預測的結果不局限於二元，結果可以是互斥或多個有效的標籤。
例如：根據企鵝的外觀特徵，歸類為不同種類的企鵝，其結果只能是一種。電影根據其陣容、導演和預算，預測類型 (喜劇、恐怖、愛情、冒險或科幻)，電影可以同時分類為科幻、喜劇。
非監督式學習Unsupervised machine learning
訓練資料只有特徵值[x1、x2、x3、...]，沒有已知的標籤值y。演算法自行決定資料中觀察特徵的關聯性。
- 分群/叢集Clustering
根據其特徵識別觀察之間的相似度，並將其分組。例如根據人口統計屬性和購買行為來識別一組類似的客戶。
(※重點：考題看到要把特性相似的資料分類，沒有預設好的類別，就是選叢集) - 分群與分類的差別：
兩者的結果都是把觀察分成離散的群組，但使用分類時，你已經知道所屬的類別，所以演算法推算的是特徵和已知分類標籤的關聯性。在分群中，沒有已知的類別，演算法單純根據特徵間的相似程度分組。 - 實務中，你可以先用分群來判斷觀察資料中可能的群組(例如把客戶分成VIP、少量購買、常客...)，然後再用分類，來預測新客戶的客戶類別。
AI-900系列文章目錄：
《AI-900》證照考試準備心得與筆記分享 - 系列文章
