什麼是機器學習服務？
機器學習具有其統計數據和數據數學模型化的起源。 機器學習的基本概念是使用過去觀察的數據來預測未知的結果或值。 例如：
- 霜淇淋商店的老闆可能會使用一個應用程式，結合歷史銷售和天氣記錄，根據天氣預報，預測他們可能會在指定一天銷售多少霜淇淋。
- 醫生可能會使用來自過去患者的臨床數據來執行自動化測試，根據體重、血糖水準和其他測量等因素，預測新患者是否面臨糖尿病的風險。
- 南極的研究人員可能利用過去的觀察數據，根據鳥類鰭足、喙及其他身體特徵的測量，自動識別不同的企鵝物種（例如：阿德利企鵝 (Adelie)、根托企鵝 (Gentoo)、或帽帶企鵝 (Chinstrap)）。
機器學習作為一種功能
因為機器學習是以數學和統計數據為基礎，所以以數學術語思考機器學習模型很常見。 基本上，機器學習模型是一種軟體應用程式，可 封裝函式 ，以根據一或多個輸入值計算輸出值。 定義該功能的過程稱為 訓練。 定義函式之後，您可以使用函式來預測稱為 推斷的程式中的新值。
讓我們探索訓練和推斷所涉及的步驟。
訓練數據由過去的觀察結果所組成。 在大部分情況下，觀察包括觀察到之事物的觀察屬性或 特徵 ，以及您想要定型模型來預測之事物的已知值（稱為 標籤）。
在數學方面，您通常會看到使用速記變數名稱 x 來表示的特徵，以及稱作 y 的標籤。 通常，觀察是由多個特徵值所組成，因此 x 實際上是向量（具有多個值的陣列），如下所示：[x1，x2，x3,...]。
為了更清楚說明，讓我們來考慮先前所述的範例：
- 在霜淇淋銷售案例中，我們的目標是訓練模型，以根據天氣預測霜淇淋銷售的數量。 當天的天氣測量（溫度、降雨、風力等）是 特徵 （x），每天銷售的霜淇淋數量將是 標籤 （y）。
- 在醫療案例中，目標是根據患者的臨床測量來預測患者是否面臨糖尿病風險。 病人的測量（體重、血糖水準等）是 特徵 （x），糖尿病的可能性（例如 ，1 為有風險， 0 為不危險）是 標籤 （y）。
- 在南極研究案例中，我們想要根據企鵝的實體屬性來預測企鵝的物種。 企鵝的主要測量值（其翼肢長度、喙的寬度等等）是 特徵 （x），而物種（例如， 0 代表阿黛莉， 1 代表根托，或 2 代表帽帶企鵝）是 標籤 （y）。
演算法會套用至數據，以嘗試判斷特徵與標籤之間的關聯性，並將該關聯性一般化為可在 x 上執行的計算，以計算 y。 使用的特定演算法取決於您嘗試解決的預測性問題種類（稍後會更進一步），但基本原則是嘗試將數據 放入 函式，其中特徵的值可用來計算標籤。
演算法的結果是 一種模型 ，可將演算法衍生的計算封裝 為函式 - 讓我們將其稱為 f。 在數學表示法中：
y = f（x）
現在 訓練階段已完成，已訓練的模型可用於 推理。 模型基本上是一種軟體程式，封裝了訓練過程所產生的功能。 您可以輸入一組特徵值，並接收對應標籤預測的結果。 由於模型的輸出是由函式計算的預測，而不是觀察到的值，因此您經常會看到函式的輸出顯示為 ŷ（這在口語中有趣地描述為「y-hat」）。