Data Science現下最受矚目的應用莫過於Machine Learning，而AlphaGo前一陣子的比賽更是這門學科一個極佳的宣傳。雖然術業有專攻，但至少在machine learning的應用上大多不是單一學門的成就，不少研究都是由特化過的專門知識經過跨領域合作不斷重複補足修正才達到了如今的成過。唸過人類的學習理論後再來看機械學習，有些可以沿用的概念也有些容易被混淆的部分，下面就以我自己學習心理學時留下的基礎來描述機械學習的方向。
人類學習的重點是在資訊的存取，現在機械學習的應用則著重在客觀資料的決策行為上。機械在資訊儲存，提取，以及處理的機能上已經超過人類的能力了，而機械學習則是利用其性能：運算出基於客觀資料下做出的理性判斷，分析海量資料中可能存在的關聯因素，找出最佳化行動的模式。下面我試著舉三個例子做參考。
假設我們要找出創業成功的方程式，在設定好成功的定義後（比方說損益比）可以藉由既存資料找出關鍵的因素，而當一間新創公司的資料進來後，我們可以把相關參數丟進訓練好的電腦中，讓它計算出這間公司是否會符合我們成功的定義。
或是當手中有一大堆資料，可以透過一些運算找出具有關鍵性卻被忽略的部分。這個過程或許會需要更多專業知識來輔佐，並需要足夠的簡報技巧以創造出市場價值。我現在可以想到的是如The Big Short（大賣空）裡預測到次級房貸將崩盤並乘勢製造出新商品一般。（所以也是有可能遇到資料作假或是暗地操盤導致成果不如預期）
最貼近一般生活的莫過於我們用google map設定目的地時，它會依照現在路況及各路段時速計算出最快路線供駕駛參考。
機械學習大約分成 supervised learning, unsupervised learning, reinforced learning三種，上面我試著各舉了一個例子，爾後再詳述各學習方式的細節。
所以人腦應該會有更多時間和資源來做更高階的策略規劃...吧
人類學習的重點是在資訊的存取，現在機械學習的應用則著重在客觀資料的決策行為上。機械在資訊儲存，提取，以及處理的機能上已經超過人類的能力了，而機械學習則是利用其性能：運算出基於客觀資料下做出的理性判斷，分析海量資料中可能存在的關聯因素，找出最佳化行動的模式。下面我試著舉三個例子做參考。
假設我們要找出創業成功的方程式，在設定好成功的定義後（比方說損益比）可以藉由既存資料找出關鍵的因素，而當一間新創公司的資料進來後，我們可以把相關參數丟進訓練好的電腦中，讓它計算出這間公司是否會符合我們成功的定義。
或是當手中有一大堆資料，可以透過一些運算找出具有關鍵性卻被忽略的部分。這個過程或許會需要更多專業知識來輔佐，並需要足夠的簡報技巧以創造出市場價值。我現在可以想到的是如The Big Short（大賣空）裡預測到次級房貸將崩盤並乘勢製造出新商品一般。（所以也是有可能遇到資料作假或是暗地操盤導致成果不如預期）
最貼近一般生活的莫過於我們用google map設定目的地時，它會依照現在路況及各路段時速計算出最快路線供駕駛參考。
機械學習大約分成 supervised learning, unsupervised learning, reinforced learning三種，上面我試著各舉了一個例子，爾後再詳述各學習方式的細節。
所以人腦應該會有更多時間和資源來做更高階的策略規劃...吧
沒有留言:
張貼留言