初探AIoT中的機器學習（I）

在近五年機器學習（machine learning）在人工智慧領域的許多應用中取得巨大的成果，包含影像辨識到自然語言處理。

無論是生活或是科技領域，常常聽到「AIoT」與「機器學習」這類的技術性名詞，但還是不知道具體來說他們究竟在做甚麼嗎? 沒關係! 這一期我們帶你揭開AIoT的神秘面紗，了解背後運用的原理。

從資料中「自動」學習

有別於傳統演算法（專家系統）需要前期大量人為建立規則，舉例來說，今天如果我們想去辨識一張樹木圖片，在專家系統裡面需要去明確定義出什麼是「樹」，例如：綠色三角形，但這樣的規則非常難明確的定義，如果到秋天時這顆樹到顏色變成紅色了，或是到冬天葉子掉光了不再是綠色的三角形，這時我們需要設計新的規則去窮舉各種樹的情況，顯而易見，這樣的系統很難在單一任務上進行細粒化（fine-graining）也很難在不同任務上去做普適化（generalization）。

與之相對的，機器學習著重於訓練演算法從資料中學習，並根據經驗改進（trial-and-error），從數據分佈中尋找資料間關聯性與模式，而非按照給定到程式碼運行作業。以同樣辨識一棵樹為例，需要做的變成收集大量樹的資料，不論紅的、綠的、黃的，或是高的、矮的，讓模型自己去學習什麼是一棵樹。但如何讓機器學習這類的算法去學會分類呢，具體來說可以分為三大個步驟：

1. 根據要解決的任務設計模型的架構

2. 利用收集到的資料衡量模型的好壞（準確率）

3. 選出最好的模型

但可以發現可能解決問題的模型架構有很多，為了有效率的去選出最好的模型呢，機器學習利用的迭代算法（iterative method），並非每次從零開始建立一個模型，因為這樣就是碰運氣，而是根據第二步驟的模型好壞，去微調現在的模型。

舉例來說，當今天模型會誤判某些圖片，模型就會以如何準確判斷這些圖片的方向微調。

因此機器學習不需要預先定義好人為規則，而是從資料中自動分析獲得規律，並利用規律對未知資料進行預測。

運用機器學習打造智慧未來

透過機器學習，人工智慧領域取得了巨大的進步，不再需要依賴繁瑣的人工規則，而是能夠從資料中自動學習並找出模式。未來，隨著人工智慧與物聯網（AIoT）的結合，我們將探索更多前所未有的應用，包括優化工廠管理、提升製造業效率等等。

談完機器學習中的方法論，下回，我們將分享AIoT中最核心的兩大任務：迴歸任務（Regression Task）及分類任務（Classification Task）。鎖定PIMQ知識小學堂，準時開課！