機器學習 (ML) 是我們使用的一些重要技術 例如翻譯應用程式、自動駕駛車輛本課程將說明 瞭解機器學習背後的概念
機器學習能讓你以全新方式解決問題、回答複雜問題,以及 內容。機器學習技術可以預測天氣、預估交通時間、建議 提供歌曲、自動完成句子、總結文章重點,以及生成 先前從未見過的圖像
簡單來說,機器學習是 訓練是一段軟體 模型,將資料用於 預測或根據下列項目產生內容: 資料。
舉例來說,假設我們想要建立一個應用程式來預測降雨量。我們可以 可以採用傳統做法或機器學習方法使用 我們會以物理性的方式呈現地球大氣的樣貌 計算大量流體動態方程式這是 極為困難
採用機器學習技術 我們可以向機器學習模型產生大量的天氣資料 直到機器學習模型最終學習了 產生不同降雨量的天氣模式。接著 模擬目前的天氣資料 並預測降雨量
驗收學習成果
機器學習系統類型
根據機器學習系統的方式,可分為以下一或多個類別 學習如何進行預測或產生內容:
- 監督式學習
- 非監督式學習
- 強化學習
- 生成式 AI
監督式學習
監督式學習 模型能根據大量資料和正確答案 進行預測 然後找出資料中各元素之間的關係 正確答案就像是學生透過 考考包含問答題和答案的舊制考試。學生 學生已學到足夠的舊制考試,也已經準備好參加新考試。 這些機器學習系統屬於「監督式」自然語言是人類給機器學習系統 包含已知正確結果的資料
監督式學習最常見的兩種用途是迴歸 例如單一語句分類
迴歸
「迴歸模型」可預測 數值。舉例來說,天氣模型會預測 吋或公釐) 是迴歸模型
如需更多迴歸模型的範例,請參閱下表:
情境 | 可能的輸入資料 | 數值預測 |
---|---|---|
未來房屋價格 | 正方形影片片段、郵遞區號、臥室數量和浴室數、大小 抵押貸款利率、房產稅率、施工費用和 當地待售的房屋數量。 | 房價。 |
未來行程時間 | 歷來路況 (由智慧型手機收集、路況資訊) 感應器、叫車服務和其他導航應用程式),距離 目的地、天氣預報和天氣狀況 | 抵達目的地所需的時間 (以分和秒為單位)。 |
分類
分類模型可預測 某件事有屬於某個類別的可能性有別於迴歸模型 分類模型的輸出結果是數字,分類模型會輸出值 某些內容是否屬於特定類別例如: 分類模型可用於預測電子郵件是否為垃圾郵件或相片 內含貓
分類模型分為兩類:二元分類和
提供多元分類二元分類模型會透過
只包含兩個值的類別,例如
rain
或 no rain
。多重類別分類模型會從
含有超過兩個值的類別,例如模型可輸出
rain
、hail
、snow
或 sleet
。
驗收學習成果
非監督式學習
非監督式學習 模型會根據未含正確資料 都有可能非監督式學習模型的目標是找出 偵測出資料中的模式換句話說,模型不會提示如何 而是必須推論自己的規則。
常用的非監督式學習模型採用稱為 分群法。模型會尋找資料點 用來區分自然分組
![顯示叢集內彩色圓點的圖片。](https://developers.google.cn/static/machine-learning/intro-to-ml/images/clustering-02.png?authuser=19&hl=zh-tw)
圖 1. 分群相似資料點的機器學習模型。
![圖片:顯示叢集內各色圓點,並形成相框。](https://developers.google.cn/static/machine-learning/intro-to-ml/images/clustering-04.png?authuser=19&hl=zh-tw)
圖 2. 具有自然分類法的叢集群組。
分群與分類不同,因為類別 您。舉例來說,非監督式模型可能會根據 以及定義季度的區隔接著 並根據您對資料集的瞭解,為這些叢集命名。
![圖片:顯示叢集中有不同顏色的圓點,標示為「雪」、「雨」、「冰雹」和「無雨」。](https://developers.google.cn/static/machine-learning/intro-to-ml/images/clustering-01.png?authuser=19&hl=zh-tw)
圖 3. 分群類似天氣模式的機器學習模型。
![圖片顯示叢集中的彩色圓點,分類為雪、雨、冰雹,以及形狀中彼此環繞的雨水。](https://developers.google.cn/static/machine-learning/intro-to-ml/images/clustering-03.png?authuser=19&hl=zh-tw)
圖 4. 包含雪、凍雨、 降雨也沒有下雨
驗收學習成果
強化學習
強化學習 模型會根據獎勵 或懲處。援助 學習系統產生的政策 定義能賺取最多獎勵的最佳策略。
強化學習的用途是訓練機器人執行行走等工作 還有許多軟體程式 (例如 AlphaGo 一起玩「圍棋」
生成式 AI
生成式 AI 是一種模型 根據使用者輸入內容建立內容舉例來說,生成式 AI 可以 獨特圖片、樂曲和笑話;生成文章摘要 說明如何執行工作或編輯相片。
生成式 AI 可以接受各種輸入內容,並生成各種輸出內容,例如 像是文字、圖片、音訊和影片等還可以使用 這些原則舉例來說,模型可將圖片做為輸入內容 也能將圖片和文字做為輸入內容,製作成影片做為輸出內容。
我們可以依據輸入內容和輸出內容來討論生成式模型 例如「輸入類型」-至「輸出類型」例如,以下是 生成式模型的部分輸入和輸出內容清單:
- 文字轉文字
- 文字轉圖片
- 文字轉影片
- 文字轉程式碼
- 文字轉語音
- 圖片和文字轉圖片
下表列出生成式模型的範例、相關輸入內容, 可能的輸出內容範例:
型號 | 輸入 | 輸出範例 |
---|---|---|
文字轉文字 | 利曼競速賽由誰發明? |
Automobile Club de l'Ouest 是 24 小時 Le Mans 的創辦人
成立於 1906 年的汽車組織。首次舉辦比賽
時間為 1923 年 5 月 26 日和 27 日,位於「Sarthe Circuit」(13.426 公里)
位於法國勒曼市附近的道路電路 (8.345 英里)。
這場競賽的起源是提高 ACO,以及
探索地區。 資料來源:Bard |
文字轉圖片 | 外星章魚漂浮在入口上看報紙。 |
![]() 資料來源:Imagen |
文字轉影片 | 看似逼真的泰迪熊在舊金山享受游泳。 泰迪熊會在水面下。泰迪熊陪伴游泳 五彩繽紛的魚熊貓在水下游泳。 |
![]() 資料來源:Phenaki |
文字轉程式碼 | 編寫 Python 迴圈,這個迴圈會循環處理數字清單,並輸出質數。 |
for number in numbers: # Check if the number is prime. is_prime = True for i in range(2, number): if number % i == 0: is_prime = False break # If the number is prime, print it. if is_prime: print(number) |
圖片轉文字 | ![]() |
這是紅鶴的聲音。它們出現在加勒比海地區。 資料來源: Google DeepMind |
生成式 AI 的運作方式為何?生成式模型的概略說明 資料模式,目標是產生類似的新資料。生成式 如下所示:
- 說明如何觀察人們的行為並學會仿冒他人身分的騙局 說話風格
- 藉由研究多種因素,學會繪畫特定風格的藝術家 同類型畫作
- 藉由聆聽 該團體的許多音樂
為了產生獨特且富有創意的輸出內容,生成式模型一開始經過訓練 非監督式方法,讓模型學習模仿 模型有時會使用監督式或 對於與模型相關的特定資料 例如總結文章或編輯相片
生成式 AI 是迅速演進的技術,能不斷發掘新用途 適時適地曝光舉例來說,生成式模型 自動移除乾擾背景的電子商務產品圖片 或提升低解析度圖像的品質