大演算

網路發達的今天, 大家對人工智慧、機器學習、演算法或大數據這些名詞有所耳聞，卻很難說出這些東西在做什麼？跟自己有什麼關係？有些人對人工智慧就停留在「全民公敵」中機器人進化，反過來要取代人類的情境。但事實上，機器學習早已深入我們的生活，不管是你上Amazon買書、上網使用 Google 搜尋，在facebook 收到廣告訊息，觀賞 Netflix 推薦的電影，這一切的背後都有機器學習的作用。

 

這本書幫助我們了解機器學習背後的「概念模型」。就是簡單說明幾種演算技術，給我們基本知識，讓我們知道人工智慧跟機器學習的關係。機器學習的演算法能夠自己找出執行方法，並從大數據中進行推論，來改善自己的運作邏輯，只要擁有越多的數據，學習器就能在分析後得出更好且更精準的結果，這也是「大數據」被稱為是現代的黃金的原因。擁有大數據，再搭配上一個好的演算法，就能做到許多超越一般人想像的事。

 

機器學習演算法大致分為五大學派：符號理論學派,類神經網路學派,演化論學派, 貝氏定理學派和類比推理學派,

(1)    符號理論學派（Symbolists）利用歸納法，或決策樹, 假設某些條件不發生情況下, 歸納出某些規則, 讓機器根據這些規則來運作。歸納法, 另一種解釋叫做逆向演繹, 先看什麼叫演繹法A1(蘇格拉底是人)+B1 (人都會死)=C1(蘇格拉底會死), A2+B2=C2… 再看歸納法: 知道很多A1,A2,A3,… C1,C2,C3…, 推出在Ax, Cx發生的情況下, Bx 將會發生.  從A1, C1 反推B1叫做逆向演繹.  逆向的演繹法（Inverse Deduction），可以找出哪些知識是欠缺的，以便能做出邏輯的演繹推論，然後使其盡可能地被通則應用。

(2)    類神經網路學派（Connectionists）: 參考大腦的學習網路, 大腦同時間接受到不同神經元的信號, 必須判斷那些信號強, 那些弱, 那裡的刺激需要反應, 那些要放棄。類神經網路學派的主要演算法是倒傳遞理論演算法（Back propagation），它會比較系統的輸出與期望的輸出，然後依次改變一層又一層的神經元連結，以便使得輸出結果可以更接近於它應該呈現的。他是不斷微調的過程，讓機器人從蒐集的資料, 不斷調整. 但因為來源很多, 如何判斷強弱優先, 可能會有落差。這邊調整的是對於inputs 的權重, 以及修正output levels.

(3)    演化論學派（Evolutionaries），演化論學派的主要演算法是一種遺傳程式規劃（genetic programming），就像大自然會交配與演化生物一樣；同樣地，遺傳程式規劃也會以相同的方式，繁衍與演化電腦程式系統。他的方式在同時跑很多程式來分析, 然後篩選這些程式, 淘汰錯誤率高的,優化較好的程式, 最後慢慢找出,在什麼清境下, 哪種程式最適合, 物競天擇的結果。

(4)    貝氏定理學派（Bayesians）則著重在各種事件發生的機率和人們主觀的前驗假設下，將其複製到演算法的邏輯上，這門學派主張所有學到的知識都是不確定的，而且學習本身就是一種不確定的推理形式。那麼這個問題就變成如何處理雜訊、不完整，以及相互矛盾的資訊，而不會造成分崩離析。解決的辦法就是機率推理。

(5)    類比推理學派（Analogizers）學習的關鍵是認識各種情況之間的相似之處，從而推斷其他情境的相似地方。如果兩位患者都有相似的症狀，也許他們患有相同的疾病，問題的關鍵是要判斷兩件事情之間是如何相似。類比推理學派的主要演算法就是支持向量機（Support Vector Machine，簡稱SVM），它可以找出哪些經驗是需要記住的，以及如何結合這些經驗，做出新的預測。

 

機器學習擁有許多不同的形式，而且也有許多不同的名稱，例如：樣式辨識（pattern recognition）、統計模式（statistical modeling）、資料探勘（data mining）、知識發現（knowledge discovery）、預測分析（predictive analytics）、資料科學（data science）、自我調適系統（adaptive systems）、自我組織系統（self-organizing systems）等。機器學習被不同的領域廣泛地使用，而在這本書中，作者統一使用「機器學習」這個術語，來泛指所有的機器學習。

 

作者提到肉食性動物來描寫機器學習, 對比靜態的分析。這類似先前討論的, 傳統的數據分析是分析過去, 靜態的; 而大數據分析則是加入對未來的預測, 是動態的。在資訊處理生態系統中， 學習器是「超級食肉動物」（superpredators）；統計演算法（Statistical algorithms）、線上分析處理（online analytical processing）等，就像是肉食性動物。而資料庫（Databases）、資訊採集器（crawlers，又稱檢索器）以及分析索引子（indexers）等，都可以說都是草食動物，它們有耐性地在一望無際的資料領域進行探勘挖掘（munging）；

 

在生態系統中，草食動物的存在是必要的，沒有牠們，其他動物便不可能存活，同時間，超級食肉動物也讓我們的生活更精采。資訊採集器就好比一頭乳牛，而網路則是遍及全球的牧草地，每一個網頁都是一根小草，當資訊採集器完成網頁探勘時，網站的副本會儲存在它的硬碟空間中，然後透過分析索引子針對每個出現的字詞，制定一個網頁的索引清單，很像是一本書後面所附的索引一樣。而資料庫就如大象，又大又笨重，而且資料會永遠儲存，不會忘記。整個資訊處理程序便是在這些有耐性的動物們之間，投以統計和分析演算法，執行壓縮和資料檢選，再把數據資料轉化為資訊。然後學習器會接收吃下這些資訊，負責逐量消化它，最後再把這些資訊轉化為知識。

 

作者把人工智慧當成新的時代來臨,

(1)    工業革命（Industrial Revolution）是人力自動化的作業。Automation of labor.

(2)    資訊革命（Information Revolution）是自動化腦力工作的作業流程, automation of knowledge.

(3)    機器學習則是自動化機器本身的新型態發展。Automation of machines.

從我的 iPhone 傳送