Leo

學習機器學習已經有很長一段時間了，整個學習過程不算太平順，甚至可以說有點顛頗，學習過程中經常遇到許多不懂的地方，需要因此停下來去查找資料，甚至要花很長一段時間去學習另一門知識。就算如此，還是覺得自己的整個知識體系並不算太完整，因此決定開始寫一些相關的知識文章，一方面是想給對這方面有興趣的人參閱，一方面是在整理自己的知識體系，並補上漏洞，故歡迎大家對此提出問題與批評。

這篇文章要來介紹機器學習是什麼

首先要先定義機器學習是什麼？

使用過去資料，讓電腦能夠從過去經驗學習，並改善效能

簡單的來說就是利用過去的資料，訓練演算法，然後希望這個演算法能夠在未知的資料上能有好的表現。

資料－演算法－輸出

目前機器學習主要分為四類：

1.監督式學習

分類

回歸

2.非監督式學習

聚類

3.半監督式學習

4.強化學習

但目前主要發展都集中在監督式學習這一塊。

監督式學習，也是數據驅動的學習方式，譬如說我們要教機器如何辨別一隻狗，我們不會告訴他，狗滿足哪些條件哪些特徵，像是狗的身體長度大於多少，或是狗的尾巴長於多少。而是給機器一大堆狗的特徵，身體長度、身體寬度、尾巴長度...之類的特徵，然後告訴他哪一組數據是狗，那一組數據不是狗，讓機器自己去學習如何辨別，很重要的一點是數據越多越好，這也是為什麼我們一直說大數據，大數據會幫助機器表現得更好。

基本符號：

1. 輸入x∈X

2. 輸出y∈Y

3. 函數 f : X → Y

4. 數據 D : {(X1, Y1), (X2, Y2), ... , (Xn, Yn)}

大概的流程是這樣，我們有一組像這樣的數據 (Xn, Yn)，把它餵給電腦，夠過一個演算法，我們要學習函數 f ，期望在未來新的數據Ｘ進來的時候，可以使用已經學好的函數 f 去輸出Ｙ。