[淺談機器學習] #1 Machine Learning 基本概念
[前言]
大家好大家好，最近機器學習真是炒得火熱，各種AI，大數據，資料科學，機器學習的課程，產品以及公司，都冒了出來，我相信有很多剛踏入這塊地學生以及朋友們，也還是懵懵懂懂，因次就想要用一些比較生活化的方式來介紹一下，讓大家可以有腦海中有圖片可以想像。
Machine Learning的基本概念 (強調)基本而已喔 0.<* 要定義的話可以上wiki上面看。
我有一些資料x，然後有一些希望得到的結果y，學習出一個function f給他資料x，他會告訴我結果y。
舉例來說:
[股市預測]
收集某家公司3年內的所有商業新聞，用一個神奇的方法，預測在當下股價會漲還是跌。
X = 3年內的所有商業新聞 。
Y=三年內股價是漲還是跌。
f() = 神奇的方法 。
那電腦學習完之後，只要給這個神奇的方法，現在的商業新聞 ，他就會告訴我股價會漲還是跌。 也就是f(x) = y。
[商品推薦]
有很多人的商品清單，從清單中整理出來買了商品A的人也有買的其他產品。
X = 買了商品A 。
Y = 也買了的商品B。
f()= 神奇的方法 。
那電腦學習完之後，某個人要是買了某個商品x，根據f(x)得到買了x的人也很大機率會買的y，我是不是也可以推薦商品y給他呢? 我是不是可以讓我的生意更好賣更多東西呢?
以上就是一些Machine Learning 的例子以及基本概念。是不是其實沒有那麼玄乎呢
神奇的方法
對於沒有接觸過的朋友，看上面說神奇的方法，大概就跟第一次看到下面這張圖一樣覺得十分神奇，跟好奇怎麼做到的。
其實所謂的神奇的方法，基本上都是數學，像是機率、統計等。 所以也可以說Machine Learning 基本上都是在用程式算數學。
數學是個神奇的東西，所以我們還是再來舉個例子。我有一個地區7天的相對濕度以及天氣狀況的資料。
有了這些資料後，我想看看相對濕度大於80%的時候下雨的機率是多少?
這裡有很多不同的實作方式，不管是用Logistic Regression、機率統計還是Liner Regression，其實都有辦法做到。
我舉一個其中做法:
- 將連續型資料的相對濕度轉成離散型的。也將文字的資料轉成數值。
回到問題來"我想看看相對濕度大於80%的時候下雨的機率是多少?"，
這樣一來，就可以把問題的式子寫成:
p(y=1|x=1) = p(y=1,x=1) /p(x=1)
2. 去做條件機率計算
p(y=1,x=1) /p(x=1)= 0.57/0.71 = 0.802
那我們是不是就得到對於那個地區來說，假如濕度大於等於80，那麼降雨機率就有80.2%。
ML的世界博大精深，這只是一個很簡單的例子，數學方法也很簡單，但是ML的概念大致上就是這樣。 對於剛接觸這一塊的同學跟朋友，可以之後慢慢參考我其他的教學跟分享，學習到不同的演算法。
假如哪裡講不清楚或寫不好，歡迎留言詢問或指教。
假如覺得講得不錯，也請給我點鼓勵吧 0w0)b
