機器學習破冰之旅(1) — 介紹篇
之前就有陸陸續續接觸過，但對於一些概念始終很模糊，果然還是要打打鍵盤，把一些東西紀錄下來，方便自己理解，也方便日後查看，更希望能幫助有相同苦惱的夥伴～～
Outline:
- 機器學習的種類（共三類）
- 各類學習的應用
- 機器學習，專有名詞介紹（重點！！）
- 基本建構一個機器學習，所需的步驟（概覽圖）
機器學習的種類
總共有三類：
- 監督式學習(Supervised Learning)
- 非監督式學習(Unsupervised Learning)
- 強化學習(Reinforcement Learning)
這些種類，可以想像成指導學生（Alice），可以有什麼樣的方式。
監督式學習(Supervised Learning)：準備很多參考書，也準備好解答。要 Alice一邊看解答一邊解題。
非監督式學習(Unsupervised Learning)：直接把 Alice丟到國外，並且在過程中，不給予任何的資源與協助，讓 Alice自己在那個環境中，找到生存方式。
強化學習(Reinforcement Learning)：在獎勵與懲罰間，取得一個最佳的平衡。（範例較繁雜，放到下方應用部分再多做說明）
各類機器學習的應用
監督式學習的應用：
大多應用於：分類問題(Classification)、迴歸問題(Regression)
以分類問題(Classification)範例：
訓練神經元來辨別，是否為垃圾郵件。例如：目前手邊有許多垃圾郵件(spam)，並且也有些整理過且標註過屬於垃圾郵件(Labeled: 1)的資料，另外也有整理屬於非垃圾郵件(Labeled: 0)的資料。像這類型的有已知答案的問題，就非常適合「監督式學習」來實作。
非監督式學習的應用：
使用非監督式學習的情況，大多是機器要去摸索「資料中有意義的結構、資訊」等等，而在訓練的過程中，沒有現成的正確資料會跟機器說目前評估的結果是否正確，需要機器自己去尋找、歸類。
- 分群(Clustering)：在一堆資料之間，找到哪些資料比較相近。並將他們集中在某一塊（如下圖）。提到分群，一開始幾乎會先提到K-means演算法。（篇幅有限，這邊就不多做說明，有興趣的讀者可以找來看看，算是一項挺容易了解的演算法。）
2. 降低維度(Dimensionality reduction)：在維基百科中，提到降低維度是「特徵擷取」的一項步驟。因此自己在理解的時候，喜歡將降低維度想成「特徵擷取」的概念。如果想要維持原本的資料應有的特性，然後又想將他的維度縮小（或說是把資料變少），此項概念就類似於，把資料中最精華最精華的部分提取出來就好，不重要的資料就算了，這樣一來就能讓整個資料變少了（也就是維度縮小）。
強化式學習的應用：
在第一次看到這個，老實說看起來跟監督式學習沒什麼兩樣，但在第二次看的時候，好像有那麼的不同？
強化學習想要解決什麼樣的問題？
Ans: 有「互動關係性」的問題。
強化學習說明：
強化學習的目的是建立出一個Agent，而這個Agent會有行為(Action)，而行為的依據則會透過environment去做調整。
概念：
首先，Agent可能會做出某些行為，而 environment會為 Agent這項行為打一個分數(reward)。
再來，這個 Agent會不斷嘗試許多不同的行為(Try and error)，而 environment也會持續為 Agent的每個行為做評分。最後，Agent會學習到，什麼樣的行為可以使 environment給的分數較高。進而學習那些行為。
如果還看不懂沒關係，請看下方範例：
以上面學生 Alice來舉例好了。 Alice很喜歡寫作，他想要參加全國作文比賽，於是 Alice請了曾經擔任全國作文比賽的評審，作為他的老師(Amy)。
Alice給自己三個月的訓練時間，這三個月Alice每天會寫一堆作文，而老師(Amy)則會幫他修改作文並「給予評分」，但是老師不會和 Alice解釋，分數是怎麼來的（為什麽他得到這項分數），Alice需要自己去察覺。
Alice得到評分後，會不斷的觀察，老師(Amy)喜歡什麼樣的文句、構造等等，進而學習那些文章的結構。
最後，經過三個月的訓練後，Alice將會學習到評審們都喜歡的文章。
用強化學習來說可以變成：
Agent → 學生(Alice)
Environment → 老師(Amy)
Reward→ 老師給的寫作分數
另外，強化學習最經典的代表，絕對不能不提到棋盤遊戲。
Agent →下棋機器人
Environment → 目前棋盤的局勢（哪一方居於優勢、劣勢）
Action → 符合規則的棋步
Reward → 結果「贏」或「輸」
State → 每下完一步後的狀態。（回傳給 Agent這步棋下得如何，好還是不好）
Reward和State都是給機器反饋(Feedback)的功能。State偏向「小部分結果」的好與壞。Reward則偏向「整體結果」的好與壞。
以下棋為例：
State: 在下完某一步棋後，是否快要被「將軍」。
Reward: 整場比賽結束後結果贏或輸。
如果機器能透過強化學習的訓練方式，不停的下棋，持續累積經驗，知道棋步怎麼走，最容易獲勝。最後，或許就可以打造出向AlphaGo那樣的機器人也說不定呢～～
專有名詞、術語介紹
首先先介紹資料是如何呈現
— Dataset （資料集）
Definition : A collection of data examples and their attributes.
簡單來說會「表格」來存資料，用Excel的表格來想像即可。
Samples(Examples): 每一筆資料，其他的同義詞包括 object, instance, entity, record…。
＊＊在機器/深度學習中，百家爭鳴，如果去看其他網頁中，使用的單詞可能不太一樣，所以這邊也列出其他說詞＊＊
Attribute: 資料所擁有的特徵，其他同義詞包括 Features, variable, characteristic, dimension, field…。
基本相關術語
- Training Samples(Examples)：準備要處理的資料（請參照👆圖），
(注意： 請不要跟Train Data或Test Data混淆，這邊Training Samples泛指手邊所有的資料。)
- Training(v.)：訓練Model以符合本次目標之需求。(Model_fitting)
- Attributes 通常用 x表示：已整理過的資料，通常以matrix的形式呈現。
以上表範例，會建立出150 x 2 matrix
- Target 通常用 y表示：代表資料的結果。
因為電腦看不懂cat or dog，所以需要用-1, 1為代號。建立出150 x 1 matrix
- Loss function / Cost function / Error function（損失函數）：計算正確答案與結果之間的誤差函式。
建立一個模型，所需要的步驟：
先有個基本的概念，之後再進行說明時，會更加清楚每一項步驟的含義。
說明範例：
目的：想要設計出一個模型，透過輸入長度與重量，就可以判斷是貓還是狗。
以下會簡單介紹，每個步驟。
Preprocessing （讓資料更容易被機器看懂）
Train Dataset, Test Dataset
先將資料拆成兩個部分，方便日後，作為模型準確率的評估與否。
如果把整個資料都拿進去訓練，沒有驗證的資料，日後會無法評估建立出的模型是否正確，因為沒有其他附有正確解答的資料，可以當作模型正確的根據。
Feature Extraction and Scaling, Dimensionality Reduction
以剛剛提到 cat, dog的資料來說明，
— 特徵擷取與縮放(Feature Extraction and Scaling)：把全部的資料縮放到一定的區間[0, 1]，之後訓練階段時，會有更好的效果。
— 降低維度(Dimensionality Reduction)：將資料縮放到一定區間時，某些資料會呈現高度相關性。而降低維度，即為將那些特徵值壓縮到低維度。（之後的文章，會再慢慢做解釋～～）
Learning 階段： (如何讓機器學習到資料與答案的關係)
— 超參數的調整：需要調整Algorithm的參數（這個在機器/深度學習中是一門大大大學問），什麼樣的參數，什麼樣的參數使得訓練效果最佳，什麼樣的參數使預測結果會更好等等。
— Cross-validation：怎麼知道哪個 Model所訓練的效果最好。
Evaluation Models 階段：(訓練好的機器對未知數據的可行度)
利用 Test Dataset評估，訓練好的 model對於未知數據的表現程度。
Prediction階段：(機器正式上場！機器對新資料的預測結果)
輸入新的資料(某貓某狗的長度跟重量)，讓訓練好的 Model來預測它的結果。
基礎的介紹就到這邊，有很多新的名詞需要吸收，筆者在初學時期，查了好多資料但怎麼也不了解，果然還是需要時間的累積和耐心才是。希望大家看到這篇也可以更了解這些名詞所代表的含義。
如果文章有哪邊出錯，還請各位不吝指教。
那我們就下次再見囉～～
