機器學習
在現實生活中我們 [假定] 我們關心的事情有一個數學公式，當然他可能沒有數學公式又或許是這個公式非常複雜，
那機器學習就沒有辦法學到東西
當然我們不可能知道 這個[神之公式]
我們只能知道一堆資料"輸入"與"輸出"
例如 這個世界還沒有歐姆定律，
我們想要知道流過這個電阻上的 電流
然後我就開始蒐集數據，
加入電壓量測到電流並記錄下來，
加入電壓 就是X 測到電流 就是Y
然後把這些X與Y丟給機器學習學習這些數據，假設機器學習是可以學到這個公式的
有一天 來了一個電壓 是以前都沒有看過的
這時候已經訓練過的機器學習程式，可以預測他[應該]會得到多少電流
電流可能不只與 電壓有關係
可能跟當時後的溫度，還有當時後的溼度也有關係，
所以 我就開始 紀錄 電壓 、 溫度 、 濕度 、 電流 、 我當天的心情指數、與環境中的噪音分貝
然後依樣把這些數據都丟給機器學習
所以我的輸入 就有 電壓 溫度 濕度 心情 還有 分貝
如果以統計學來說 這是一個 六個維度的回歸
複雜度已經有點高
機器學習在這麼高維度的收斂當中 是否數據有用?
數學家們提出一個見解他們這樣說如果這裡有一個罐子 裡面有一堆紅豆綠豆
那你怎麼估算 這整個罐子的紅豆綠豆比例呢
統計學來說 就是抓一把 然後開始算
這樣叫做抽樣
那抽樣 有可能運氣很差 抽出來都是綠豆
那我們會說 喔 這瓶沒有紅豆
很顯然這抽樣出了問題
數學家們 算出一個公式 這個公式可以告訴你 這樣壞運氣的機率是多少
結果他們說 如果 你手上的那一把數量[夠大]
那 你的機率 就會越趨近 整缸的比例
我們抓起的那一把可以看成就是我們蒐集來的那些數據
那如果我們蒐集來的數據越多，我們就能越靠近這整體的樣貌(神之公式)
所以叫做 [ 大 數 據]
為什麼機器學習 跟大數據 要扯再一起
神經網路跟機器學習又有什麼關係?
機器學習的論文與方法 多如毛但是近年來有一種方法壓倒性的勝利
就是類神經網路在深度學習的時候 ，可以壓到性的勝利 其他演算法
什麼是深度學習?
深度學習就是類神經網路中間有很多隱藏層我們目前的論文都遇到一些困難，就是當層數越多越難訓練
幾乎無法收斂 神經網路也因為這樣 沉寂了 二十多年
當時候他們提出 卷積神經網路（CNN） 來減少與收斂深層網路
這些方法於198X年就已經提出了
但是提完之後 他們就冷了
因為當時後的科技 無法處理那麼大的運算
節錄
Hinton終於一鳴驚人，在《科學》上發表文章，CNN再度覺醒，並取得長足發展。
2012年，ImageNet大賽上CNN奪冠，2014年，谷歌研發出20層的VGG模型。
同年，DeepFace、DeepID模型橫空出世，直接將LFW資料庫上的人臉識別、人臉認證的正確率刷到99.75%，幾乎超越人類。
2015年深度學習領域的三巨頭LeCun、Bengio 、Hinton聯手在Nature上發表綜述對DeepLearning進行科普。
2016年3月阿爾法狗打敗李世石
原文連結：https://read01.com/Pg8Rg7.html
加上 GPU的運算加速CPU運算超過一千倍， 使得這些深度學習變的可行 (GPU速度成長約一年一倍成長)
收斂這些神經靠三方法
1. CNN 卷積神經網路 可以有效地降低神經數量 達到深層數量的效果中心原理是說
a.我們人類觀察一個圖片 是由小細節開始 不是一次看全部
b.那我們看任何細節使用的都是相同部分的神經
c.我們看小細節與大全局 也都使用相同部分的神經
舉例
假設一張圖為100 * 100
那我們只使用10 * 10 然後掃描這張圖 90 * 90次
就像是卷軸移動並累加結果
所以叫做 捲積
2. 大量的數據
3. 高速GPU
所以類神經依賴三個方面
1.技巧
2.資料量
3.運算速度
廠商發展趨勢
硬體
http://technews.tw/2016/05/02/artificial-intelligence-now-fits-inside-a-usb-stick/一台神級電腦不是每個學校都可以買的起
廠商發現人工智慧越來越發達 商機無限 出這個
這個完全為了神經網路 優化的CPU 叫做TPU
三千元台幣 就可以有神級運算
軟體
Google 推出tensorflow 讓運算技巧得以簡單入門
他是一個 框架 定義 網路架構然後餵資料 就可以自動轉化成 GPU運算 CPU運算 或是 TPU運算
讓 類神經可以變成是高中的入門課程
硬體 軟體的趨勢 讓整體的機器學習 幾乎導向類神經網路
種歸來說
他還是一個 輸入資料 與 輸出資料 之間的關係
並且預測未知的輸入資料 得到 可能的輸出資料
這就是整體 運算的核心
並且自動調整與剃除假設
例如上方的六維輸入，會自動的把噪音與心情兩維度幾乎對於結果不影響
是一個很自動的 "回歸"函數
以上
