ML 術語

機器學習關係

機器學習系統利用輸入之間的關係來產生預測。

在代數中，關係通常寫成y = ax + b

• y 是我們想要預測的標籤
• a 是線的斜率
• x 是輸入值
• b 是截距

在機器學習中，關係寫成y = b + wx

• y 是我們想要預測的標籤
• w 是權重（斜率）
• x 是特徵（輸入值）
• b 是截距

機器學習標籤

在機器學習術語中，標籤是我們想要預測的事物。

它類似於線性圖中的y

機器學習特徵

在機器學習術語中，特徵是輸入。

它們類似於線性圖中的x 值

有時會有許多具有不同權重的特徵（輸入值）

y = b + w₁x₁ + w₂x₂ + w₃x₃ + w₄x₄

機器學習模型

模型定義了標籤 (y) 和特徵 (x) 之間的關係。

模型生命週期有三個階段

• 資料收集
• 訓練
• 推理

機器學習訓練

訓練的目標是建立一個能夠回答問題的模型。例如，房子的預期價格是多少？

機器學習推理

推理是指訓練好的模型用於使用即時資料推斷（預測）值。例如，將模型投入生產。

機器學習階段

機器學習有兩個主要階段

1. 訓練
使用輸入資料計算模型的引數。

2. 推理
“訓練好的”模型會從任何輸入中輸出正確的資料。

監督學習

監督機器學習使用一組輸入變數來預測輸出變數的值。

監督學習使用帶標籤的資料（已知答案的資料）來訓練演算法以

• 分類資料
• 預測結果

監督學習可以根據已知的垃圾郵件示例對資料進行分類，例如“電子郵件中的垃圾郵件是什麼”。

監督學習可以預測結果，例如根據您觀看過的影片預測您可能喜歡的影片型別。

無監督學習

無監督機器學習使用來自任何無標籤資料集的模式，試圖理解資料中的模式（或分組）。

無監督學習用於預測未定義的關聯，例如資料中有意義的模式。

它旨在建立能夠自我改進的計算機演算法。

預計機器學習將轉向無監督學習，以便程式設計師無需建立模型即可解決問題。

強化學習

強化學習基於無監督學習，但會從使用者那裡接收關於決策是好是壞的反饋。反饋有助於改進模型。

自監督學習

自監督學習與無監督學習相似，因為它使用沒有人工新增標籤的資料。

區別在於，無監督學習使用聚類、分組和降維，而自監督學習則自己得出迴歸和分類任務的結論。