機器學習是什麼？AI 人工智慧 vs 機器學習 vs 深度學習
機器學習（Machine Learning，ML）
是 一種人工智慧 的 應用，透過
1. 演算法分類
2. 解析
3. 吸收資料
4. 不斷的訓練與學習，進而
5. 達到預測結果
的 AI 機器學習模式。
機器學習 7 步驟
1.收集資料（Gathering data）
為了訓練出能夠準確分辨啤酒與葡萄酒的模型，
首先第一步是要「收集資料」，關於這 2 種飲料的資料蒐集有很多，
例如泡沫的量、玻璃杯的形狀。
我們選擇 2 種最簡單的資料作為判斷特徵：
酒的顏色（光的波長）、酒精含量，
接著就可以開始收集與整理各種啤酒、葡萄酒的特徵資料。
此步驟非常重要，因為資料的質量和數量會直接影響模型的好壞！
2.準備資料（Preparing that data）
準備資料是將前一步驟收集到的訊息變成培訓數據的過程。
首先為了確保順數據序不會影響模型的訓練，
我們需要將所有資料打亂順序。
在準備資料的過程，可以順便檢視 2 種飲料資料蒐集的數量是否有平均！
同時還要將打散的資料分成 2 大部分，一部分佔大多數（80%），
用來讓機器對照數據；另一部分佔少數（20%），用來測試訓練完成的模型。
3.選擇模型（Choosing a model）
接著進入選擇模型（演算法），不同模型擅長分析的資料類型都不盡相同，
有些模型適合分析圖像、有些適合分析數字等。
在這個例子中，我們可以使用線性模型來幫助機器訓練。
4.訓練模型（Training）
選好模型後就進入正式的訓練階段，在訓練的過程中會不斷在
錯誤、練習、修正 與 調整中循環。
5.分析評估（Evaluation）
訓練完成後需要評估模型是否真的有用。此步驟可以使用前面
我們在準備資料時預留的 20%測試數據，
評量模型在面對全新數據時的回答準確度。
6.超參數調整（Hyperparameter tuning）
做完分析與評估後，就可以根據測試結果再作進一步的超參數修正，
並測試多組不同超參數的模型，來看看哪組能提供最佳結果。
7. 預測結果（Prediction）
拿訓練好的模型來回答問題
發表文章
