機器學習

機器學習與人工智慧AI（AI）和資料科學密切相關。它是每個領域的關鍵部分，作為 AI 和資料科學之間的橋樑，並能夠開發能夠從資料中學習並隨時間改進的智慧系統。

作為 AI 的子集，機器學習專注於建立能夠從資料中學習的系統，並隨著時間改進其效能，而無需明確程式設計。它提供演算法和模型，讓 AI 系統從經驗中學習，並做出資料驅動的決策。

資料科學是一個跨學科領域，涉及使用各種技術從資料中擷取見解和知識，包括統計分析、資料探勘和機器學習。機器學習是資料科學的關鍵要素，提供分析大型資料集、識別模式和做出預測的工具與方法。

資料科學家使用機器學習演算法建立模型，可以處理和解釋複雜的資料、推動明智的決策並發掘隱藏的見解。

什麼是機器學習？

機器學習的定義：機器學習是 AI 的子集，其使用資料集來訓練機器關於統計分析方法，以識別資料的模式。

如果 AI 是模仿人類行為和思考的電腦系統，就可透過機器學習實現。隨著電腦從資料集和過去效能中學習，AI 變得更加強大。機器學得越多，就越能模仿人類智慧。

機器學習在啟用半自動車輛功能方面扮演著重要角色。例如，全自動駕駛汽車將需要在無任何人類互動的情況下導航城市街道，與現今仍需要一定程度的人類輸入之半自動駕駛汽車不同。這些車輛將仰賴即時機器學習功能來獨立運作。

配備各種感應器，例如攝影機、光達和雷達，半自駕車會持續收集周遭環境的資料。機器學習演算法會即時處理這些資料，以辨識行人、其他車輛、交通號誌和路標等物體。運用深度學習技術，汽車的 AI 系統可以辨識並分類這些物體、預測其動作並據此做出決策。例如，如果系統偵測到行人踏入人行道，可以預測該人的路徑，並決定放慢速度或停止以避免碰撞。

此外，機器學習模型透過從大量駕駛資料中學習，幫助車輛了解和適應不同的駕駛條件，例如天氣變化或道路施工。這種持續的學習和適應使半自駕車能夠安全有效地駕馭複雜的環境，模仿人類的駕駛行為，同時降低事故的風險。

機器學習如何運作？

機器學習是 AI 的重要組成部分，推動近年來的快速成長。隨著大量資料產生，機器學習提供了利用和使用這些資料的方法，為人類透過電腦和其他機器實現的目標開啟了新的機會和可能性。

瞭解機器學習的運作方式以及應用地點至關重要。該流程從訓練資料饋送至所選演算法開始。此訓練資料可協助演算法學習辨識模式並進行預測。然後引入新的輸入資料以測試演算法的準確度和有效性。

當訓練資料具有高品質時，機器可以更有效率地處理資料。這種反覆過程稱為裝配過程，涉及改進演算法，直到其預測和結果正確對齊。如果預測不準確，演算法會再訓練額外的資料，直到改善為止。例如，在道路測試期間，必須使用不正確的回應作為回饋，持續精煉演算法以改善系統。重複此過程，直到達到所需的準確度和效率水準

多年來，機器學習的益處顯而易見，詐騙偵測、網路安全和聊天機器人等應用程式都透過機器學習進行微調和進階。未來，機器學習將繼續在開發自駕車、機器人和虛擬實境方面發揮不可或缺的作用。

機器學習的歷史為何？

過去幾個世紀以來，機器學習一直是 AI 發展不可或缺的一環。由於機器學習的研究，神經網路、模式識別和車輛自主權都是可能的。

• 1943 年，神經網路：1943 年，神經網路是機器學習開始的關鍵部分，華特‧皮茨（Walter Pitts）和華倫‧麥卡洛克（Warren McCulloch）發表了首個神經網路數學模型，創造了模仿人類思考過程的演算法。
• 1950 和 1960 年代，模式識別：10 年後，亞瑟·塞繆爾（Arthur Samuel）在 1952 年創立了一個程式，讓電腦能夠播放檢查程式。然後，在 1960 年代晚期，透過引進最近鄰居演算法，實現了基本的模式識別，首先用於旅行銷售人員規劃其旅程。
• 1979 年，史丹佛手推車：1979 年，史丹佛大學的一組研究人員開發出史丹佛手推車。這是一種能夠避免房間內障礙物的自駕推車。
• 1980 和 1990 年代，開發計畫：1980 年代最大的發展之一是 NetTalk，特里·塞諾夫斯基（Terry Sejnowski）開發了一個計畫，其學習與嬰兒學習方式相當的方式來發音。1990 年代，IBM 的棋子計畫擊敗了世界冠軍，IBM 的電腦科學家撰寫了關於一種新方法集合學習的論文。
• 21 世紀：第一個開放原始碼軟體程式庫可用於機器學習。ImageNet 旨在協助影像辨識，而臉部辨識則是以 Facebook 的 Deepface 形式開發。

機器學習的關鍵類型有哪些？

機器學習可分為三個主要類別：監督式、半監督式及非監督式。

受監督的機器學習著重於從標示的資料中學習，並從中訓練模型，從看不見的資料中做出準確的預測。此標示的資料包括輸入與正確的輸出，讓模型能隨時間學習。資料探勘時，有兩種類型的監督式學習：分類和迴歸。

• 分類程序根據給定的資料集對觀測結果進行分類。例如，監督式學習的分類可以分類您收件匣中哪些電子郵件是否為垃圾郵件。
• 迴歸用於預測連續值。迴歸並非用於分類，而是用於預測連續結果。

半監督式機器學習與訓練資料中未標示的部分範例有關。在難以或昂貴取得足夠標記資料，或監督式學習對學習有益，但有大量未標記資料的情況下非常有用。

非監督式機器學習使用演算法來叢集和分析未標記的資料集。非監督式學習有幾種用途，包括醫療影像、客戶購買模式和異常偵測，以避免安全漏洞和設備故障。

如何使用機器學習？

機器學習在自動駕駛中扮演關鍵角色，讓車輛能夠安全有效地駕馭複雜的環境。半自動駕駛汽車依靠多種感測器，例如攝影機、光達和雷達，來收集有關其周圍環境的即時資料。機器學習演算法會處理此資料，以辨識物件、預測物件移動並做出駕駛決策。

美光的高效能記憶體和儲存產品對於支援這些 AI 工作負載至關重要。例如，美光的 DRAM 提供必要的速度和頻寬，以處理車輛感應器產生的大量資料，確保即時處理和決策。此外，美光的汽車和工業 SSD 儲存解決方案提供儲存大型資料集和訓練模型所需的容量和耐用度，這對持續學習和改善車輛的 AI 系統至關重要。

利用美光的先進記憶體和儲存技術，自動駕駛汽車、半自駕車和車輛中的先進安全系統可以實現更高水準的準確度和可靠性，為未來的運輸解決方案鋪路。