了解機器學習

  • 4 分鐘

機器學習是大部分 AI 解決方案的基礎。 自 20 世紀 50 年代以來，研究人員 (通常稱為資料科學家) 一直在研究不同的 AI 方法。 AI 的大部分新式應用程式都起源於機器學習，這是結合電腦科學和數學的 AI 分支。

讓我們先來看一個如何使用機器學習來解決難題的真實世界範例。

永續農業技術對於提高糧食生產並同時保護脆弱環境而言至關重要。 The Yield 是一間位於澳洲的農業技術公司，其使用感應器、資料和機器學習來協助農民制定與天氣、土壤和植物狀況相關的明智決策。

請觀看下列影片以深入了解。

機器學習的運作方式

機器如何學習？

答案是透過資料。 在現今世界裡，我們會在日常生活時產生大量的資料。 從我們傳送的簡訊、電子郵件和社交媒體貼文，到以手機拍攝的相片和影片，都會產生大量的資訊。 而住家、車輛、城市、大眾運輸基礎結構和工廠中的數百萬個感應器也會產生更多資料。

資料科學家可使用所有資料來定型機器學習模型，並根據其在資料中找到的關聯性來進行預測和推斷。

機器學習模型會嘗試擷取資料之間的關聯性。 例如，假設環保組織希望志工使用手機應用程式來識別和分類不同的野花物種。 下列動畫顯示如何使用機器學習來實現此案例。

An animation of the steps of machine learning.

  1. 植物學家與科學家組成的小組在收集野生植物樣本的資料。
  2. 小組會使用正確的物種標記樣本。
  3. 標記的資料會使用演算法進行處理，以找出樣本特徵與所標記物種之間的關聯性。
  4. 演算法的結果會封裝在模型中。
  5. 當志工找到新的樣本時，此模型可識別正確的物種標籤。

AI 的方法已經提升，可完成更複雜的工作。 這些複雜的模型構成 AI 功能的基礎。

Microsoft Azure 中的機器學習

Microsoft Azure 提供 Azure Machine Learning 服務 - 這是用於建立、管理和發佈機器學習模型的雲端式平台。 Azure Machine Learning Studio 會提供多種製作體驗，例如：

  • 自動化機器學習：這項功能可讓非專家從資料快速建立有效的機器學習模型。
  • Azure Machine Learning 設計工具：一種無需程式碼即可開發機器學習解決方案的圖形化介面。
  • 資料計量視覺效果 ：使用視覺效果來分析和最佳化您的實驗。
  • Notebooks：在直接於 Studio 中整體的受控 Jupyter Notebook 伺服器中撰寫並執行您自己的程式碼。