跳至主要内容

Machine Learning

What？​

Machine Learning（機器學習）是一種讓電腦能夠從資料中學習並做出預測或決策的技術。與傳統基於規則的程式設計不同，Machine Learning 不需要明確編寫每個邏輯，而是透過訓練模型來讓系統自行找出模式。例如，你可以用 Machine Learning 來建立一個能判斷圖片中是否有貓的模型，而不需要逐一列出「什麼是貓」的特徵。

Who？​

Machine Learning 的使用者涵蓋範圍廣泛，包含：

  • 技術工作者：如 Data Scientists、AI Engineers，用於模型訓練與部署。
  • 企業決策者：透過 Machine Learning 模型分析數據，提供商業洞察。
  • 最終用戶：如使用推薦系統的人，例如 Netflix 推薦影片或 Spotify 推薦歌曲。

受影響的對象包括任何依賴自動化決策或預測結果的人，例如借貸風險評估中的申請人。

When？​

你會在以下情境中用到 Machine Learning：

  1. 當有大量數據需要分析時，例如客戶行為資料或醫療紀錄。
  2. 當問題無法輕易以明確規則解釋時，例如語音辨識或圖像分類。
  3. 當需要實時調整輸出的結果時，例如動態廣告投放。

具體例子像是電子商務網站，希望根據客戶瀏覽記錄即時推薦商品。

Where？​

在系統架構中，Machine Learning 通常會出現在以下位置：

  1. 資料處理層（Data Processing Layer）：負責清理並轉換原始資料為模型可用的格式。
  2. 模型訓練層（Model Training Layer）：使用訓練數據來建立 Machine Learning 模型。
  3. 應用層（Application Layer）：將已訓練好的模型嵌入應用程式內進行查詢或模型推論。

例如，在推薦系統架構中，底層負責收集點擊行為資料，中間層進行模型訓練，頂層則根據查詢輸出推薦結果。

Why？​

我們使用 Machine Learning 是為了解決以下問題：

  1. 效率提升：處理大量複雜數據，比人工分析快且準確。
  2. 自動化能力增強：例如自動生成標籤、分類內容等功能。
  3. 模式探索能力強大：發掘隱藏在數據中的洞察力，例如客群分群和異常檢測。

舉例來說，人類很難手動閱讀上百萬筆交易記錄，但 Machine Learning 能快速找出其中異常交易。

How？​

🛠️ 建立階段​

建立 Machine Learning 模型通常包含以下流程：

  1. 收集並準備數據：

    • 清理缺失值和異常值
    • 特徵工程（Feature Engineering）
    • 分割成 Training Set 和 Testing Set

  2. 選擇演算法：

    • 根據需求選擇適合的演算法，例如 Regression、Classification 或 Clustering。

  3. 訓練模型：

    • 使用 Training Set 設定超參數並優化模型性能。
    • 範例程式碼： 
      from sklearn.linear_model import LinearRegression
      model = LinearRegression()
      model.fit(X_train, y_train)

  4. 評估與調整：

    • 透過 Testing Set 計算 Accuracy、Precision 等指標進行評估與微調參數。 $$Accuracy = \frac{\text{正確預測}}{\text{總樣本}}$$

🔍 查詢階段​

查詢已建立好的 Machine Learning 模型通常包含以下步驟：

  1. 接收輸入：

    • 例如接收到一筆新客戶資料作信用評分用途。

  2. 預處理輸入：

    • 將原始輸入轉換為符合特徵格式。例如將文字編碼成 One-Hot Encoding 或正規化數值範圍。

  3. 使用預測函式進行推論：

    prediction = model.predict(new_data)

  4. 回傳結果給應用層以進一步呈現或採取行動。例如信用評分高於某閾值則批准貸款。

補充說明​

📌 範例比較​

以下是不同 Machine Learning 演算法在分類問題上的表現比較（假設相同條件下訓練）：

演算法PrecisionRecall適合場景
Logistic Regression高中二元分類
Decision Tree中中解釋性需求高
Random Forest高高較大且複雜的資料集

🧠 延伸／常見誤解​

誤解一：「所有問題都可以用 Machine Learning 解決」​

不是所有問題都適合。若有清晰且固定邏輯規則，可以考慮使用傳統程式設計。例如，一個簡單的加減運算公式就不需要使用 ML 模型去推導結果。

誤解二：「深度學習就是 Machine Learning」​

深度學習只是 Machine Learning 的一部分，它主要針對大量非結構化資料（如影像或語音），而傳統 ML 更適合小型結構化資料集，如 Excel 表格中的銷售記錄。

延伸應用​

除了最常見的分類和回歸，還有很多其他應用場景，如 Reinforcement Learning 用於遊戲 AI 或 Multi-Armed Bandit 用於廣告效果最大化。