什麼是機器學習？

機器學習是電腦科學的一個領域，它使用靜態技術賦予電腦系統「學習」的能力資料，沒有 被明確編程。

這意味著，「ML 就是從資料中學習」

明確程式設計意味著，為每個場景編寫程式碼，以處理該情況。

在機器學習中，我們不是為每個場景編寫明確的程式碼，而是訓練模型從資料中學習模式，允許它們做出預測或針對未見情況的決策。

因此，我們給出輸入和輸出，但不要為每種情況編寫任何程式碼。機器學習演算法自動處理它們。

一個簡單的例子可以使用：

求和函數：

在明確程式設計中，要新增 2 個數字，我們編寫僅適用於這種情況的特定程式碼。如果不加修改，此程式碼將無法用於新增 5 個或 N 個數字。

相較之下，透過 ML，我們可以提供一個 Excel 文件，其中每行包含不同的數字及其總和。當機器學習演算法在此資料集上進行訓練時，它會學習加法模式。將來，當給定 2、10 或 N 個數字時，它可以根據學習到的模式執行加法，而不需要針對每個場景編寫特定程式碼。

我們在哪裡使用機器學習？

• 垃圾郵件分類器：

在明確程式設計中，我編寫了多個if-else 條件，例如：「如果某個關鍵字出現3 次或以上，則會被標記為垃圾郵件。」例如，如果「Huge」一詞使用3 次，則會被標記為垃圾郵件。

現在，想像一家廣告公司意識到有這樣的演算法可以偵測他們的垃圾郵件。因此，他們不會重複「巨大」3次，而是使用「巨大」、「大規模」和「大」等同義詞。在這種情況下，原來的規則就不起作用了。解決方法是什麼？我應該再次改變我以前的演算法嗎？我能做到幾次？

在ML中，模型從提供的資料中學習並根據該資料自動建立演算法。如果資料發生變化，演算法會相應調整。無需手動更改演算法，它會根據新數據根據需要自行更新。

• 圖片分類：

在影像分類的明確程式設計中，我們需要手動編寫規則來識別狗的特徵，例如它的形狀、大小、毛皮顏色或尾巴。這些規則僅適用於特定圖像，並不能很好地推廣到所有狗品種。如果我們遇到新品種或變種，我們需要為每個品種添加新規則。

在ML中，我們沒有編寫特定的規則，而是為模型提供了按品種標記的狗圖像的大型數據集。然後，該模型從數據中學習模式，例如不同品種的共同特徵，並使用學到的知識對新的狗圖像進行分類，即使它以前從未見過這些確切的品種。該演算法自動適應數據的變化。

而且，機器學習有數千種用途。你可能想知道，
為什麼機器學習在 2010 年之前沒有那麼流行？

• 儲存容量有限，硬碟短缺，難以儲存大量資料。
• 沒有足夠的可用資料來有效地訓練機器學習模型。
• 硬體限制，例如功能較弱的 GPU 和處理器，限制了高效能運行複雜演算法的能力。

如今，我們每天都會產生數百萬個數據點。利用如此大量的數據，機器學習模型現在變得更加準確、高效，並且能夠解決複雜的問題。他們可以學習模式、做出預測並自動執行醫療保健、金融和技術等各個領域的任務，從而改善決策並推動創新。

感謝您花時間閱讀本文。