機器學習演算法

機器學習服務背後的數學與邏輯簡介。

什麼是機器學習演算法？

機器學習演算法是一段程式碼，可協助使用者探索、分析並尋找複雜資料集中的意義。每種演算法都是一組有限的明確逐步指示，可讓電腦遵循，以達成特定目標。在機器學習模型中，目標是要建立或探索可讓使用者用於進行預測或分類資訊的模式。什麼是機器學習？

機器學習演算法使用以訓練資料為基礎的參數，而所謂的訓練資料是代表較大型集合一組資料。隨著訓練資料的擴充而更真實地呈現世界時，演算法可計算出更精確的結果。

不同演算法會以不同的方式來分析資料。演算法通常依據其用於何種機器學習技術來分組：監督式學習、非監督式學習和增強式學習。最常使用的演算法可使用迴歸和分類來預測目標類別、找出不尋常的資料點、預測值，以及探索相似之處。

隨著您深入了解機器學習演算法，您會發現這些演算法通常屬於下列三種機器學習技術中的其中一種：

在監督式學習中，演算法可根據您所提供的一組已加上標籤的範例來做出預測。當您知道結果看起來應該如何時，這項技術很有幫助。

例如，您提供的資料集包含過去 100 年中每年的城市人口數，而您希望知道特定城市從現在起四年後的人口數會是多少。結果會使用資料集中已存在的標籤：人口數、城市與年度。

在非監督式學習中，資料點並未加上標籤，而演算法會藉由組織資料或描述其結構來為您加上標籤。當您不知道結果看起來應該會是什麼樣子時，這項技術很有幫助。

例如，假設您要提供客戶資料，同時希望為喜歡類似產品的客戶建立區隔。您提供的資料並未加上標籤，而結果中的標籤，會根據在資料點之間探索到的相似程度加以產生。

增強式學習可使用從結果所學習的演算法，並會決定接下來要採取的動作。在完成每個動作之後，演算法都會收到回應，以協助其判斷所做的選擇是正確、中性或不正確。這是個不錯的技術，適用於必須進行大量小型決策的自動化系統，而不需要人為指引。

例如，假設您正在設計自動駕駛汽車，而且希望確保車輛遵守法律並維護乘客安全。當汽車取得經驗且經過一連串的強化之後，會學習到如何保持行駛在自己的車道上、在速限內行駛，並在行人通過時剎車。

機器學習演算法可協助您回答過於複雜而無法透過手動分析來回答的問題。雖然機器學習演算法有不同類型，但是其使用案例通常屬於這些類別。

二類別 (二元) 分類演算法可將資料分為兩個類別。這些演算法適用於只有兩個解答，且解答彼此互斥的問題，包括「是/否」問題。例如：

多元 (多維度) 分類演算法 可將資料分割為三個或更多個類別。這些演算法適用於有三個或更多可能的解答，且解答彼此互斥的問題。例如：

異常偵測演算法能識別出定義為「正常」參數以外的資料點。例如，您可以使用異常偵測演算法來回答如下問題：

迴歸演算法可根據歷程記錄資料，來預測新資料點的值。這些演算法可協助您回答如下問題：

時間序列演算法顯示指定值在一段時間內的變化。有了時間序列分析和時間序列預測，便可以在一段時間內定期收集資料，並用這些資料來預測並識別趨勢、季節性、週期性和不規則性。時間序列演算法可用於回答以下這類問題：

叢集演算法可判斷資料點之間的相似性等級，將資料分為多個群組。叢集演算法適用於回答下列問題：

機器學習程式庫是一組以指定語言撰寫的函式、架構、模組和常式。開發人員將機器學習程式庫中的程式碼作為建置組塊，以建立可執行複雜工作的機器學習解決方案。開發人員可在豐富的 ML 程式庫中找到所需函式和模組，將其用來建立符合需求的解決方案，而不必為機器學習解決方案中的每個演算法和公式手動撰寫程式碼。

了解不同演算法如何藉由 Azure Machine Learning 建置及部署您自己的機器學習模型，來分析資料。