什麼是機器學習？

以下是機器學習在某些關鍵產業中的應用：

製造業

機器學習可以為製造業的預測性維護、品質控管和創新研究提供幫助。機器學習技術也可以幫助企業改進後勤問題，包括：資產、供應鏈和庫存管理。例如，製造業龍頭的 3M 使用 AWS Machine Learning 來改進砂紙的製造。機器學習演算法可讓 3M 的研究人員分析形狀、大小和方向的細微變化會如何影響砂紙的研磨性和耐用性。這些資訊可以用來改進製造業過程。

醫療保健與生命科學產業

穿戴式感應器和裝置不斷普及，帶來了大量的健康相關資料。機器學習程式可以分析這些資訊，並幫助醫生即時診斷及治療病人。機器學習研究者也正在研究能檢測癌症腫瘤和眼疾的方法，這對人們的健康有著重大的意義。例如，Cambia Health Solutions 在醫療保健新創公司使用 AWS Machine Learning 來進行輔助，讓他們能自動化及自訂對於孕婦的治療。

金融服務

金融機器學習專案改善了風險分析和控制。透過分析股票市場的動向、評估對沖基金，或調整金融投資組合，機器學習技術能讓投資者找到新的投資機會。另外，機器學習還可以協助辨識高風險貸款客戶並降低被詐騙的可能。  金融軟體龍頭 Intuit 使用 AWS Machine Learning 系統的 Amazon Textract 來幫助建立個人化的金融管理服務，並協助最終使用者改善財務運作狀態。

零售

零售產業可以使用機器學習來改善客戶服務、倉儲管理、向上銷售和跨通路行銷。例如，Amazon Fulfillment (AFT) 使用機器學習模型來辨識錯放的庫存，藉此減少了 40% 的基礎設施成本。這也幫助他們確保商品能準時送達客戶手中，即使每年都要經手數百萬件全球貨物，也能維持住 Amazon 的高服務品質。

媒體與娛樂產業

娛樂產業公司使用機器學習來幫助他們了解目標觀眾的喜好，帶來能讓觀眾身臨其境的個人化隨需內容。機器學習演算法的部署可助益設計預告片和其他廣告、提供觀眾個人化的內容推薦，甚至提高内容生产效率。 

例如，Disney 使用 AWS 深度學習來封存他們的媒體程式庫。AWS Machine Learning 工具可以自動化地標籤、描述並排序影音內容，讓 Disney 的作家和動畫師可以更快地找到並熟悉 Disney 的角色。

演算法可以根據輸入和輸出的類型分為四種。

1. 監督式機器學習
2. 無監督機器學習
3. 半監督學習
4. 強化機器學習

1.監督式機器學習

資料科學家提供已標記和定義過的訓練資料給演算法，讓演算法找出資料間的關聯。訓練用資料必須包含演算法的輸入與輸出。例如，手寫數字的圖片必須標記上這張圖片中寫的數字是多少。只要給予其足夠的範例，監督式學習系統可以找出像素的排列與表示的數字之間的關聯。最終，機器學習可以辨識出手寫數字，可以區分出 9 和 4 或 6 和 8 之間的不同。 

監督學習的結構很簡單，因此很容易設計。當可能的輸出結果有限、需要將資料分類，或要結合兩個其他機器學習演算法的結果時，監督式學習是很好的辦法。但是，如何將數百萬筆資料標上標記是個問題。讓我們深入瞭解資料標記：

什麼是資料標記？

資料標記是將輸入資料標記上其應該得到的輸出值的過程。監督學習需要已標記的訓練資料才能進行。例如，假使現在有數百萬張蘋果和香蕉的相片，這些相片需要根據其內容被標記為「蘋果」或是「香蕉」。 之後機器學習應用程式才能用這些訓練資料來學習辨識圖片中的水果為何。但是，將數百萬筆資料標記的過程相當耗費時間和成本。使用如 Amazon Mechanical Turk 等群眾外包服務可以一定程度的解決監督學習演算法的這個問題。這些服務能幫助機器學習訓練者用經濟實惠的價格雇傭全球各地的人幫忙標記，讓標記資料變得比較容易達成。

2.無監督機器學習

無監督學習演算法使用未標記的資料進行訓練。這些算法會掃描所有資料，嘗試找出輸入值與預設的輸出值之間有哪些有意義的關聯。這類算法可以找出模式和分類資料。例如，無監督演算法可以將來自不同新聞網站的新聞報導分類進各種不同的新聞類別，比如運動類新聞或犯罪新聞等等。它們可以使用自然語言處理來理解報導的內容含意和表現出的情緒。在零售業，無監督學習可以找出顧客購買商品的模式，並提供一些資料分析結果，比如，顧客常一起購買麵包和奶油。

無監督學習在辨識模式、偵測異常和自動分類資料的任務中很有用。由於其不需要標記過的訓練資料，它的設定相當簡單。這些演算法也可以用來自動清理資料和對資料進行前處理，好方便之後訓練其他算法時使用。無監督學習的缺點在於其無法提供準確的特定結果。另外，其也無法獨立挑出特定類型的資料輸出結果。

3.半監督學習

如同其名，辦監督學習結合了監督學習和無監督學習。這項技術使用少量的已標記資料和大量的無標記資料來訓練系統。首先，半監督學習會用已標記的資料訓練機器學習演算法。之後再使用經過部份訓練的演算法來標記那些未標記的資料。這個過程稱為偽標記。接著再直接使用產出的資料和原本的已標記資料一起重新訓練模型。

這個做法的優點是不需要大量的已標記資料。像大型文件這種資料就需要花費大量時間閱讀，很難取得標記過的資料。

4.強化學習

強化學習在演算法的不同步驟設定所謂的獎勵值。模型的目標是在過程中盡可能地獲得最多的獎勵值。在過去的十年中，強化學習的實際應用多半在遊戲相關的領域中。最先進的強化學習演算法已經在各類遊戲中取得了巨大的成果，甚至完勝人類對手。 

雖然強化學習在不確定性高以及複雜的資料環境中的表現最好，但它很少用於商業領域。對於定義明確的任務，強化學習的效率不高，且開發人員的偏見會影響結果。根據資料科學家設計的獎勵不同，強化學習的結果也會跟著改變。

確定性的方法更注重收集到的資料的準確性與數量，因此效率比不確定性更重要。另一方面，非確定性 (機率性) 的方法則是用來處理不確定因素。內建工具已整合進機器學習的演算法中，以幫助模型在學習和觀察的過程中量化、辨識並量測不確定性。

以下是一些機器學習可以做到和不能做到的事：

機器學習模型的優點：

• 可以辨識出人類可能會錯過的資料趨勢或模式。
• 在設定後，可以自動作業，不需人類操作。例如，網路安全軟體中的機器學習可以在沒有管理員操作的情況下持續監控和抓出網路通訊中的違規行為。
• 結果會隨著時間越來越精準。
• 可以在動態且複雜的資料環境下處理大量不同格式的資料。

機器學習模型的缺點：

• 一開始的訓練很耗費時間和成本。如果沒有充足的資料，難以訓練出可用的模型。
• 需要大量的運算能力，如果自行準備硬體設施，需要大量的前期投資。
• 如果沒有專業人員協助，不容易正確解釋輸出的結果和消除不確定性。