机器也有补习班?让你的机器学得更好

2020-07-17

機器也有補習班?讓你的機器學得更好


林轩田老师曾在线上平台开授机器学习的相关课程,修习对象主要是大学生及研究生,内容较无複杂的数学问题,使用多个平易近人的生活案例,十分适合一般大众聆听。

进入「机器学习」领域的契机

90年代是机器学习的寒冬,机器学习领域尚在发展。在老师大学时,系上除了导师林智仁老师以外,完全没有任何机器学习的课程,也没有听过「机器学习」(Machine Learning)这样的名词。2000年5月,大三的林轩田教授因专题製作的契机下,开始与林智仁导师学习支撑向量机(Support Vector Machine)的相关研究,学习如何给机器下不同的参数,了解机器如何做出不同的变化与分类等。林轩田老师认为,作为一个机器的研究者,就是以不同的步骤说明好与不好,了解用什幺样的步骤去驾驭机器。

老师对机器学习软体的第一印象是「电脑嘛会捡土豆喔?」,打开林智仁导师的实验室网页,可以发现一款「会捡土豆」的机器学习软体,大家可别因为简易的外观而小看它,看似简单的二维图,实际上是可以对颜色加以分类的,而这款机器学习软体在Google Scholar 里面的引用次数,更是多达37,370次呢!我们透过网页的实际操作,可以限定的区域内,随机点出数个不同颜色的圆点,让机器对数个色点加以分类,而分类的结果五花八门,可能是依据色点散布的位置,也可能与我们设定的参数有关。总而言之,这个二维图像软体会对色点加以分类。

有时机器也会出错,如同远古时代的人们虽然已经会使用火源,但控制不当也是会引火烧身。在人类逐渐熟练驾驭火的技能后,我们就可以把火的能量转化为不同的动能,如汽车引擎内的火、飞机引擎内的火,这当中出错的机率必定要减到最低,因此要让机器学会能够判断错误,不过份地钻牛角尖,以及放宽一定的弹性还要给予修正,就是驾驭机器学习的重要一环。

机器学习能够预测股票?

就好像开一个机器补习班一样,我们在实验室里面努力的提升机器在某一个面上的表现,让某一个面向成绩变好,让我们教导出来的机器学习软体,拿出去是可以耀武扬威说我们在哪个地方表现比较好的。而机器学习到底是什幺呢?机器学习可以透过学习后,解决某一个特定的问题。虽然成绩在教育上不是评量的唯一标準,但我们可以想像,当学生在学校上数学课或英文课时,授课老师想知道学生到底是否学会这项技能,可以用考试去测试学生是否学会,而机器也是一样的,我们会着重测试我们希望机器学习的部分,如同上述的「分类」技能,我们也许希望机器能提升它的準确度,或者在资料处理后达成特定效果。举例来说,我们给机器学习过去20年各种不同股市的资料,希望机器能够预测股票,假如机器学习后的效果惊人,那幺我们有可能得到好的投资预测;假如机器学习后的效果不佳,那幺很可能让我们的投资一败涂地。

机器学习的四种方法

一、知错能改法:机器学习并不是只能处理两个变数而已,而是可以多达一千乃至一万个。假设银行要核可一个人是否具备信用卡发卡资格,我们可能会请申请人填写一些资料,再根据银行人员判定,将资料输入机器后,各自对应着不同的座标,有些可能是圈圈,有些可能是叉叉。这时,我们已经得到一个圈叉散布图了,接着从散布图中画一条直线,看机器是否能够从中间找到了一条完美的线,把圈圈叉叉切开,如果划错了,我们会让机器学习顺时针转或逆时针转,针对一个错误去修正,直到转到正确的位置为止。

二、分而治之法:分而治之法又可以称作决策树法。假设今天有一笔混杂着旧金山地区与纽约地区的房子资料,我们可以将海拔位置与房价当作X轴、Y轴,接着再以年份画一刀、房屋总价画一刀、单位面积再画一刀,透过这些资料加以区分判别。

三、众志成城法:脸部辨识系统就是类似于这样的方式去判读辨识。假设有20张照片,10张是苹果的照片,10不是苹果的照片,我们要让机器学习找出属于苹果的图片。首先可以教导机器「苹果是圆的」,但橘子也是圆的,所以我们又可以教导机器「苹果是红的」,这时某些青苹果可能又没有被挑选到,而且红番茄看起来变得非常显眼,于是我们再教导机器「苹果是有梗的」,这时机器可能就能透过「圆的、红的、绿的、有梗的」这些资讯,将正确的10张苹果图片挑选出来。

四、层层堆叠法:有些流派模拟一个神经元,有些模仿一堆神经元,在这些分类发展过程中,棋类游戏就是很好的应用,像是熟为人知的AlphaGo。事实上,很多技术的发展,始于模仿大自然,但是最终很可能衍伸出人类在工程学上自己的想法,如同飞机模仿鸟类外型却不振翅飞行。

机器学习未来会怎幺用?

总和上述来看,机器学习难道只能用来分类吗?并不全然,机器学习还能应用于许多地方,例如从已知的评分资料里面,去反推每个人的喜好是什幺,然后把这些跟特徵组合起来去预测分析未知喜好的资料,进而推荐出用户的喜好的商品;又例如自动化手写辨识系统,也是透过机器学习,大幅降低人工判别的便捷方法。未来机器学习可能会大量应用于商业银行、电子商务系统、推荐系统等,而这也是我们所期待机器学习能够前进的方向。

(本文为教育部「人工智慧技术及应用人才培育计画」成果内容)

上一篇:
下一篇: