AI vs 機器學習 vs 深度學習
AI vs ML vs DL
人工智慧 目標是 讓機器 具有 人類的智慧
機器學習 從 大量資料 中找出規則，以 達到智慧化 的 目標
深度學習 機器學習 的其中一種方法，模仿人類大腦 的 類神經網路去分析數據資料
在訓練機器學習時，會運用到許多不同的機器學習演算法，
例如 線性回歸法、邏輯回歸法 等，
大致將各種演算法分為 4 種類型：
1.監督式學習
2.非監督式學習
3.半監督式學習
4.強化式學習
（一）監督式學習（Supervised Learning）
監督式學習定義
提供機器大量有歷史資料、有標記標籤的「輸入」和「輸出」資料配對分類。
例如，我們給機器多組啤酒與葡萄酒的影像，
並標記出哪些是啤酒，哪些是葡萄酒。
機器會學習這些資料，並找出這些影像間的共同特徵，
以分辨啤酒與葡萄酒。
常見的監督式學習演算法有：
1.線性回歸法（Linear Regression）
2.隨機森林法（Random Forest）
3.單純貝氏分類器（Naive Bayes Classifier）
監督式學習例子
推薦系統就是利用監督式學習，例如 Netflix 的影集推薦。
Netflix 的推薦系統會根據用戶過去的 觀看紀錄 與 行為，
推薦用戶可能會喜歡的節目。
（二）非監督式學習（Unsupervised Learning）
非監督式學習定義
在非督導式學習模式中，輸入的資料多是 沒有標準答案、未標記與非結構化
的資料。機器會使用 所有相關且可存取的資料 來識別 資料間的關聯性，
並將資料分群。
常見的非監督式學習演算法有：
1. K-平均算法（K-Means Cluctering）
2. 主成分分析（PCA）
3. t-分布隨機鄰近嵌入（t-SNE）
非監督式學習例子
非監督式學習 可以解決各種商業問題，有助於企業快速探索大量資料，
例如 銀行 用來監測交易 是否為 詐欺 或 機器人 活動 等 異常行為。
（三）半監督式學習（Semi-supervised Learning）
半監督式學習定義
半監督式學習則是指，有一部分的資料有標記，另一部分則沒有。
半監督學習會先用已標記過的資料訓練模型，之後再使用經過訓練的模型
來標記 那些未標記的資料，直到所有資料 都被標記完成。
常見的半監督式學習演算法有：
1.生成式對抗網路（Generative adversarial networks）
2.自學習貝氏分類器（Self-trained Naive Bayes classifier）
半監督式學習應用
半監督式學習經常應用在 語 音 與 語 言 分析，例如使用少量的語音數據
來訓練模型，並利用大量的未標記語音數據來進一步學習，
提高辨識的準確度。
（四）強化式學習（Reinforcement Learning）
強化式學習定義
強化式學習 也叫做 增強式學習，指機器在處理資料時，
會像學生學習一樣，透過「獎勵和懲罰」來學習，每當它做出一個動作，
就會得到一個「意見回饋」：如果這個動作是好的，它就得到「獎勵」，
反之則是「懲罰」。
透過不停的試錯，慢慢了解哪些動作是好的，哪些動作是壞的，
最終找到最有效的處理資料路徑，達到最終目標。
常見的增強式學習演算法有：
1.Q 學習（Q-Learning）
2.蒙特卡洛學習（Monte-Carlo Learning）
3.SARSA （State–Action–Reward–State–Action）
強化式學習應用
強化式學習最知名的案例，莫過於 2014 年 Google DeepMind 開發的
下圍棋軟體 AlphaGo。AlphaGo 一開始是使用監督式學習，
不過由於學習與進步的速度太慢了，
因此改使用強化式學習的方式提高棋力。
