人工智慧與機器學習－行銷資料科學家十大技能之一
在第一篇文章〈成為資料科學家必備的十大技能〉當中，我們提到人工智慧（Artificial Intelligence，簡稱AI）與機器學習（Machine Learning，簡稱ML）是成為行銷資料科學家必備的技能之一。在本篇文章中將帶您了解，人工智慧與機器學習的概念，以及在行銷資料科學領域的應用。
傳送門：
一、 什麼是人工智慧？
從人工智慧的概念被提出後，專家提出有許多方法期望達到人工智慧的目的，而機器學習就是其中一種包含在人工智慧底下，實現人工智慧的一種方法。
(一)人工智慧的定義
根據韋氏大辭典的定義：「人工智慧是電腦科學的分支，用於在電腦裡模擬智能行為，也能形容為機器模仿智能人類行為的能力。（a branch of computer science dealing with the simulation of intelligent behavior in computers; the capability of a machine to imitate intelligent human behavior）」
舉例來說，Google DeepMind曾開發人工智慧圍棋軟體Alpha Go戰勝南韓世界冠軍棋王李世乭，就是AI的經典例子。Alpha Go不需要靠人類給予大量樣本，只輸入了基本的圍棋規則，就能夠模擬人類的下棋能力，不斷的自行下棋並記錄每次的勝負與決策，在自我訓練中不斷學習。
(二)人工智慧的類別
百度公司創始人李彥宏將人工智慧分為三個階段：弱人工智慧、強人工智慧以及超人工智慧，如下圖1.所示。
1. 弱人工智慧
弱人工智慧指的是不擁有人類完整的認知，而是在某些領域能夠像人一樣擁有「同等」的智慧。
2. 強人工智慧
強人工智慧是能完整的模擬人類的認知與知覺，任何領域都具備人的能力，擁有與人類「同等」的智慧，表現出和人類一樣的智能行為。
3. 超人工智慧
超人工智慧，就是如同科幻小說當中，許多人擔心的機器比人類聰明，從而超越人類統治這個世界。
事實上，目前在人類所開發出的電腦科學領域中，尚停留在弱人工智慧的階段，強人工智慧與超人工智慧都偏向概念化，AI目前還無法靠著自己的意識去完成特定的目的。
(三)人工智慧在行銷資料科學的應用
在弱人工智慧當中，主要有三大分支：認知計算（Cognitive Computing）、機器學習（Machine Learning）以及深度學習（Deep Learning）。
1. 認知計算
資料探勘（Data Mining）與自然語言處理（Natural Language Processing，簡稱NLP）都屬於認知計算的分支。前者是從大量資料中，找出有意義的關係或法則，像是透過過去資料，預測出消費者未來的購買量；後者是讓電腦了解人類的語言的技術，讓電腦判斷社群中的評論對產品或企業是正向還是負向聲量。在資料科學領域中，兩者都能協助企業進行決策。
2. 機器學習
機器學習主要區分為監督式與非監督式學習，是在資料科學領域最常被用到的技術，也是資料科學家必備的技能，在下一段中我們有更深入的介紹。
3. 深度學習
深度學習為機器學習裡的一個分支，以人工神經網路（Artificial Neural Network，ANN）為架構。Teradata首席技術長寶立明（Stephen Brobst）認為，深度學習最大的價值是這3個領域：預測配對、詐騙偵測以及故障預測。
機器學習與深度學習在某些方面能達到同樣的效果，像是預測、分類等，而兩者最大的差異在於，前者是透過人工定義找尋模型的特徵，後者是透過神經網路，從大量未定義的資料中，主動建立模型並且不斷完善，因此後者更接近人工智慧的理想。
三、 什麼是機器學習？
(一) 機器學習的定義
根據韋氏大辭典的定義：「機器學習是電腦透過不斷地合併新的數據至現有的統計模型，進而提升電腦效能（像分析圖像檔案）的過程或流程（the process by which a computer is able to improve its own performance (as in analyzing image files) by continuously incorporating new data into an existing statistical model）」。
舉一個有趣的例子，您一定常常在登入帳號的過程中，網頁會請您辨識何者為某某物品，可能是路燈或斑馬線，其實這是一個很典型並且廣泛應用的驗證碼系統，稱之為「區分人機的全自動圖靈測試系統」（Completely Automated Public Turing Test To Tell Computers and Humans Apart，簡稱reCAPTCHA），這背後能夠幫助Google去給予電腦更多的樣本，協助機器去辨認更多的圖像，這就是機器學習的一種應用。
(二) 機器學習的分類與在行銷資料科學的應用
機器學習又區分為監督式學習（Supervised Learning）與非監督式學習（Unsupervised Learning），它們的差異在於資料是否有被人工的標註（Labeled）。用一個簡單的舉例來說，假設我們在Facebook中標註上傳照片中朋友的名字，這時電腦可以自動判別，不同的朋友以及其姓名，稱為監督式學習，相反的，若沒有進行標註這項行為，機器只能辨認身邊的朋友是不是同一個人，稱之為非監督式學習。
因此，監督式學習的成果會是分類並且明確註記，而非監督式學習只有特徵沒有註記，只能進行分類。下圖2.所示為機器學習的分類與功能。
1. 監督式學習
監督式學習可以達到預測（Predicting）與分類（Classification）兩種功能：
(1) 預測：常見的演算法為線性迴歸（Linear Regression）
線性迴歸期望找出自變數（X）與應變數（Y）之間的關係，此演算法常納入時間變數，進行不同時段的預測。例如：iKala Cloud的機器學習團隊協助企業導入電子商務，運用線性迴歸演算法為企業進行銷售量預測。
(2) 分類：常見的演算法為決策樹（Decision Tree）
決策樹是透過分辨不同數據特性來進行分支，概念就像樹上的樹枝，每分裂出一個分支，都是機器在對資料進行特質的判斷，所得出不同的結果，兩種演算法都可以達到預測的效果。例如：從過去有詐欺行為的消費者中找出詐欺的關鍵因素，來對顧客進行信用評等的分類。
2. 非監督式學習
非監督式學習可達成分群（Clustering）和關聯（Association）兩種功能：
(1) 分群：常見的為K-means分群法。
K-means分群會對所有資料進行分組，將相似的資料進行歸類，每一筆資料都能有一個分組，每一組稱作為群集，K是您想分為幾群，means是每一群裡面的群心。例如：企業可以透過顧客分群，來判斷自身願意在不同群別所花費的心力；或是藉由分群找出不同群別顧客樣貌，藉以將更合適的行銷活動投放在不同客群中，達到精準行銷。
(2) 關聯（Association）：常見的為Apriori演算法。
Apriori演算法判斷指標為:支持度（Support）、置信度（Confidence）以及提升度（Lift），從而計算出各產品間的關聯性。例如：透過此演算法找出A、B產品間的關聯性，來選擇是否推出商品搭售，也可以應用在購物籃分析、顧客購買的商品清單，或者網頁常訪清單。
本篇文章向大家介紹了人工智慧與機器學習的分類與在資料科學中的應用，下一篇文章會繼續向大家介紹其他必備技能，敬請期待！
作者：李蓓儒（臺灣行銷研究特約作者）、羅凱揚（台科大企管系博士）
繪圖者：李蓓儒
◆◆◆ TMR最強新書報到，火熱預購倒數中 ◆◆◆
特惠價格： $458(原價：$580) 79折特惠中
💡 點此連結立即預購
— — — — — — — — — — — — — — — —
◆◆◆ 最新募資課程，火熱預購開跑中◆◆◆
💁♂️9/16(四) 12:00 募資 正式啟航✈️最低69折🎁
募資價：$1,988 (原價：$2,388)
募資期間：9/16(四) ~10/15(五)
💁♂️課程內容
❶技術面
🔎PTT討論版網路爬蟲實戰
🔎爬取評論進行結構化資料處理
🔎結合市場財務指標與聲量分析圖表找出商業洞見
❷案例應用面
🔎以「消費者角度」出發，找出消費者在意的重點關鍵字
🔎利用K-means與階層式分群模型，進行顧客分群
🔎檢視與分析不同市場區隔的消費者行為與樣貌，選定目標客群
🔎找出有價值的客群市場，分析其潛在財務價值，制定精準行銷策略
💁坊間差異
📌中華區企業打造的專案實戰課程
📌著重輿情分析結合商業思維
📌講師具深厚業界內訓輔導經驗
📌EMBA名師林孟彥教授學界觀點指導
💁♂️小編給你報好康－限時雙重優惠❗️
第一重：TMR最新募資課程，募資價超划算
第二重：好學校限時同樂會，單堂募資價再88折，兩堂可享83折(9/8–10/4同樂會)
方案搭配最低優惠價：$1,650
購課詳情輕鬆看：https://hahow.in/cr/crawler-analysis
— — — — — — — — — — — — — — — —
往後的文章都會持續在行銷資料科學粉絲專頁上發表喔，喜歡我們就趕緊追蹤吧！
同時再請大家多多follow我們的FB粉絲專頁，我們會在粉專上即時公布最新資訊，讓您重要消息不漏接！
◼ FB粉絲專頁：行銷資料科學
◼ 官網：臺灣行銷研究
