機器學習 (ML) 技術是我們使用的重要技術之一，從翻譯應用程式到自駕車，都採用這項技術。本課程說明機器學習背後的基礎概念。
機器學習提供解決問題、回答複雜問題及建立新內容的新方法。機器學習可以預測天氣、估算行程時間、推薦歌曲、自動完成句子、摘要文章，以及生成前所未見的圖片。
簡單來說，機器學習是訓練軟體 (稱為模型) 的過程，目的是根據資料做出實用的預測或生成內容 (例如文字、圖片、音訊或影片)。
舉例來說，假設我們想建立一個應用程式來預測降雨量，我們可以採用傳統方法或機器學習方法。如果採用傳統做法，我們會建立地球大氣和地表的物理模型，並計算大量流體動力學方程式。這項作業非常困難。
我們採用機器學習方法，提供大量天氣資料給機器學習模型，直到模型最終學會產生不同雨量的天氣模式之間的數學關係。接著，我們會將目前的天氣資料提供給模型，模型就會預測降雨量。
隨堂測驗
機器學習系統類型
機器學習系統會根據學習預測或生成內容的方式，歸入下列一或多個類別：
- 監督式學習
- 非監督式學習
- 強化學習
- 生成式 AI
監督式學習
監督式學習模型在看過大量附有正確答案的資料後，就能進行預測，並找出資料中產生正確答案的元素之間的關聯。這就像學生透過研讀舊考題 (包含問題和答案) 學習新教材。學生練習過足夠的舊試題後，就能充分準備好參加新考試。這些機器學習系統會「受到監督」，也就是說，人類會提供已知正確結果的資料給機器學習系統。
監督式學習最常見的兩種用途是迴歸和分類。
迴歸
迴歸模型可預測數值。舉例來說，預測降雨量 (以英吋或毫米為單位) 的天氣模型就是迴歸模型。
下表列出更多迴歸模型範例：
| 情境 | 可能的輸入資料 | 數值預測 |
|---|---|---|
| 未來房價 | 平方英尺、郵遞區號、臥室和浴室數量、地塊大小、抵押貸款利率、房地產稅率、建造成本，以及該地區待售房屋數量。 | 房屋價格。 |
| 預約行程時間 | 歷史交通狀況 (從智慧型手機、交通感應器、叫車服務和其他導航應用程式收集)、與目的地的距離，以及天氣狀況。 | 抵達目的地的時間 (以分鐘和秒為單位)。 |
分類
分類模型會預測某個項目屬於某個類別的可能性。迴歸模型會輸出數字，而分類模型則會輸出值，指出某個項目是否屬於特定類別。舉例來說，分類模型可用於預測電子郵件是否為垃圾郵件，或相片是否含有貓。
分類模型分為兩類：二元分類和多類別分類。二元分類模型會從只包含兩個值的類別輸出值，例如輸出 rain 或 no rain 的模型。多重類別分類模型會從包含兩個以上值的類別輸出值，例如可輸出 rain、hail、snow 或 sleet 的模型。
隨堂測驗
非監督式學習
非監督式學習模型旨在找出資料集中的有意義模式。舉例來說，許多非監督式學習模型會採用稱為「分群」的技術，將類似資料歸入群組 (「叢集」)。
圖 1. 機器學習模型會將相似的資料點分群。
圖 2. 具有自然分界線的叢集群組。
分群與分類不同，因為類別不是由您定義。舉例來說，非監督式模型可能會根據溫度將天氣資料集分群，揭露定義季節的區隔。然後根據您對資料集的瞭解，嘗試為這些叢集命名。
圖 3. 機器學習模型會將類似的天氣模式歸類為同一群組。
圖 4. 標示為下雪、雨夾雪、下雨和無雨的天氣模式叢集。
隨堂測驗
強化學習
增強學習模型會根據環境中執行的動作，獲得獎勵或懲罰，藉此進行預測。增強學習系統會產生政策，定義爭取最多獎勵的最佳策略。
強化學習可用於訓練機器人執行任務 (例如在房間內走動)，以及訓練軟體程式 (例如 AlphaGo) 下圍棋。
生成式 AI
生成式 AI 是一類模型，可根據使用者輸入內容生成內容。例如，生成式 AI 可以創作獨特的圖像、音樂和笑話，也可以摘要文章、說明如何執行工作，或編輯相片。
生成式 AI 可接受各種輸入內容，並生成文字、圖片、音訊和影片等各種輸出內容。也可以擷取這些內容並建立組合。舉例來說，模型可以輸入圖片，然後輸出圖片和文字，也可以輸入圖片和文字，然後輸出影片。
我們可以根據生成模型的輸入和輸出內容來討論，通常會寫成「輸入類型」-「輸出類型」。舉例來說，以下是生成模型的部分輸入和輸出內容清單：
- 文字轉文字
- 文字轉圖片
- 文字轉影片
- 文字轉程式碼
- 文字轉語音
- 圖像和文字轉圖像
下表列出生成模型、輸入內容和可能的輸出內容範例：
| 型號 | 輸入 | 輸出範例 |
|---|---|---|
| 文字轉文字 | 利曼大賽是誰發明的？ |
勒芒 24 小時耐力賽由西方汽車俱樂部 (ACO) 創立，該汽車組織成立於 1906 年。第一場賽事於 1923 年 5 月 26 日和 27 日在薩爾特賽道舉行，這條 13.426 公里 (8.345 英里) 的公路賽道位於法國勒芒鎮附近。這項賽事最初的構想是為了宣傳 ACO 和薩爾特地區。 來源：Bard |
| 文字轉圖片 | 外星章魚一邊看報紙，一邊穿過入口。 |
 來源：Imagen |
| 文字轉影片 | 一隻擬真泰迪熊在舊金山的海中游泳。 泰迪熊潛入水中。泰迪熊繼續在水下與色彩繽紛的魚群一起游泳。熊貓在水下游泳。 |
 來源：Phenaki |
| 文字轉程式碼 | 編寫 Python 迴圈，疊代數字清單並列印質數。 |
for number in numbers: # Check if the number is prime. is_prime = True for i in range(2, number): if number % i == 0: is_prime = False break # If the number is prime, print it. if is_prime: print(number) 來源：Bard |
| 圖片轉文字 |  |
這是火鶴。這種魚分布於加勒比海。 資料來源： Google DeepMind |
生成式 AI 的運作方式為何？大致來說，生成式模型會學習資料中的模式，目標是產生類似的新資料。生成模型包括：
- 觀察他人的行為和說話方式，並模仿這些特徵的喜劇演員
- 藝術家透過研究大量特定風格的畫作，學會以該風格繪畫
- 模仿樂團：透過聆聽特定樂團的大量音樂，學習如何發出類似的聲音
為生成獨特且富有創意的內容，生成模型一開始會採用非監督式方法訓練，讓模型學習模仿訓練資料。有時會使用監督式或強化學習，針對模型可能執行的工作 (例如摘要文章或編輯相片) 相關特定資料，進一步訓練模型。
生成式 AI 發展迅速，新的應用方式不斷湧現。舉例來說，生成模型可自動移除令人分心的背景，或提升低解析度圖片的品質，協助商家改善電子商務產品圖片。