# 什麼是機器學習？三大類演算法與傳統程式設計的差別


<!--more-->

## 前言

Machine Learning 是一種軟體技術，也是實現人工智慧 (AI) 的方法之一。透過 AI 的技術，我們不需要寫死程式碼，教導電腦解決問題，而是提供大量數據，讓電腦自己從數據中發掘解決問題的方法。在本篇文章中，將會介紹什麼是 Machine Learning、Machine Learning 中又包含哪些類別，以及 Machine Learning 與 Traditional Programming 又差在哪呢！

{{< admonition abstract "重點整理 (TL;DR)" >}}
- **機器學習是什麼**：一種讓電腦從資料中發現規律與模式並進行預測的演算法，也是實現人工智慧的一種方式。
- **三大類別**：Supervised Learning (有標籤)、Unsupervised Learning (沒有標籤)、Reinforcement Learning (靠獎勵學習)。
- **和傳統程式設計的差別**：傳統做法由人類分析數據、想出解法再寫成程式；機器學習則是用「大量資料 + 訓練方法」訓練出一個「模型」。
- **為什麼需要它**：像「辨識照片中是貓還是狗」這種無法窮舉特徵的問題，傳統程式設計幾乎寫不完。
{{< /admonition >}}

## 什麼是機器學習

{{< image src="AI-vs-ML-vs-DL.jpg" alt="AI、ML 與 DL 之間的關係示意圖，顯示三者由外而內的包含關係。" caption="AI、ML 與 DL 之間的關係 [source: Nvidia]" >}}

「機器學習」是一種可以讓電腦從資料中學習，發現資料中的規律與模式，並進行預測的演算法。機器學習也是「人工智慧」(Artificial Intelligence) 的一種實現方式。至於什麼是人工智慧呢？人工智慧指的是電腦能夠像是擁有人類般的智慧一樣來解決問題。

機器學習底下有非常多的演算法，可以幫助機器 (電腦) 從資料中學習，上圖的 Deep Learning (深度學習) 即屬於其中一種特別的演算法。當然，深度學習中又包含了非常多的演算法，但這不在此篇文章的教學目標中。

## 機器學習中包含什麼演算法

{{< image src="algorithm-in-ML.jpg" alt="機器學習演算法分為三大類的示意圖。" caption="Machine Learning 底下的演算法主要分為三種類別" >}}

如同前面所說的，機器學習中包含了非常多的演算法，然而大致可以將這些演算法區分為三種類別：**Supervised Learning**、**Unsupervised Learning** 與 **Reinforcement Learning**。這三種類別底下當然包含很多演算法，這三種類別也有其各自的特性！

### Supervised Learning

第一種為 Supervised Learning，中文稱為「監督式學習」。爲什麼稱為「監督式」呢？因為這類的學習方法像是有一個監督者在電腦旁邊監督它學習一樣。通常會準備非常多的「資料」以及這些資料的「標籤」，電腦在看了資料後必須說出這個資料的標籤。即使電腦說錯了，因為早就有準備正確的標籤，所以電腦可以知道正確的標籤是什麼。

這就像是小孩子在學習英文字母的過程中，有一個老師在旁邊聽小孩子的發音，如果小孩子念錯了，老師就會立刻糾正，告訴小孩子正確的發音。

### Unsupervised Learning

第二種為 Unsupervised Learning，中文稱為「非監督式學習」。相較於監督式學習，這類型的學習方式就沒有一個監督者站在電腦旁邊告訴他正確答案。電腦必須自己去摸索，找到正確的規律。也就是說，我們會準備很多「資料」給電腦，然而卻沒有這些資料的標籤。電腦必須自己觀察這些資料找到他們的相同以及不同之處，發現他們存在的某種模式。

這就像是小嬰兒在分類綠豆和紅豆的過程，他並不知道誰是綠豆誰是紅豆，而是依據他的觀察把「綠的」放一邊，把「紅的」放另外一邊。

至於這兩種學習方式各自適合哪些任務類型 (回歸、分類、分群)，在[「定義問題」](../define-problem/)一文中有更完整的討論。

### Reinforcement Learning

第三種為 Reinforcement Learning，中文稱為「強化學習」。相較於前面兩種學習方式，這類型的學習方式更像「人類」，會有兩個重要的元素：代理人 (Agent) 與環境 (Environment)。代理人會觀察目前週遭的環境並做出一個「行為」。環境則會依據代理人行為的好壞給予這個行為一個「獎勵」。代理人的最終目的就是要獲得最多的獎勵。為了要達到目的，代理人就會學習去表現得更好。

實際上，對於這種學習方法我們再熟悉不過了。我們在學校、職場上會因為做對事情收到褒獎，因為做錯事情受到責罰，我們因此而更懂的拿捏分寸，更知道如何把事情做好。

## Machine Learning vs Traditional Programming

{{< image src="machine-learning-vs-traditional-programming.jpg" alt="Machine Learning 與 Traditional Programming 兩種解決問題方式的對照示意圖。" caption="Machine Learning 與 Traditional Programming 的差別 [source: Udacity]" >}}

在傳統軟體開發的領域中，通常是由「人類」分析數據，透過數據我們可以更了解問題是什麼，進而發想一個解決方案，再透過程式碼將解決方案轉化為一個程式。

例如：我經常忘記看天氣預報，所以下雨天時常忘記帶雨傘，淋得全身濕濕的。根據這個問題，可能的解決辦法是透過一個程式自動抓取明天的天氣預報，如果預報中指出明天會下雨，就發送 Line 通知到我的手機上。有了這套解決辦法的思路，就能透過爬蟲、Line Bot API 等技術寫出一個程式，進而解決問題。

然而，有些問題沒有辦法透過很明確的方法來解決。

例如：辨識一張相片中是貓咪還是狗狗。貓咪和狗狗在身型上就有很多特徵的差異，光是狗狗或貓咪自己也有很多種類的差別，每個種類也要考慮很多特徵進行區分。此外，照片當時拍攝的光線、視角也會影響照片中物體的樣子。如果要將這些特徵全部寫在程式中，大概一輩子也寫不完。

Machine Learning 的優勢正是能夠解決這類問題。在 Machine Learning 的演算法中，我們通常會準備以下三個元素：

1. 大量資料
2. 模型
3. 訓練模型的方法

透過「大量資料」以及「訓練模型的方法」我們訓練出一個能夠辨識圖片是貓咪還是狗狗的「模型」。也就是說，將這張圖片輸入模型中，模型會輸出一個結果：是貓咪與是狗狗的機率分別是多少。透過 Machine Learning 的技術解決 Traditional Programming 無法解決的問題。

## 結論

在本篇文章中，對 Machine Learning 有了初步的認識，了解 Machine Learning 底下的三種類別的演算法，並區分 Machine Learning 與 Traditional Programming 的區別。此文章屬於 AWS ML Foundation 系列文章的第一篇，[下一篇文章](../model-training/)將會介紹 Machine Learning 中的「模型」以及「訓練的方法」。