快速瞭解機器學習基本原理

說明：

機器學習是什麼

生成式學習其實也叫 Structured Learning，它的任務就是使用機器學習來產生有結構的東西，例如文字、影像甚至聲音，ChatGPT 以及 Midjourney 都是這類的應用。

找出函式的三階段

設定範圍階段

這一步主要是選擇使用的神經網絡結構。

全世界的函式種類無窮多，但解決我們問題的合理函式只佔其中一部分範圍。你選擇的神經網絡結構，本質上就是在劃定你認為可能的函式範圍。選擇好你想使用的神經網路結構後，就可以開始下一步，也就是"設定標準"。

設定標準階段

"設定標準"就是定義出一個評量函式好壞的標準，即損失函式（Loss函式）。這個函式能夠計算出我們預測函式與實際狀況的誤差值。以下是一個完整的計算過程例子。

首先，我們需要有一個人工標註資料，並將這些標註作為標準答案。例如，標註人員標記出寶可夢的真實攻擊力為103, 17, 和212。

然後，我們使用預測函式來進行預測。假設我們的預測函式預測出的攻擊力為101, 18, 和200。

最後，我們可以將實際值與預測值相減，計算出每筆資料的誤差值。然後將所有的誤差值總和，這個總和的誤差值就被用來評量我們的函式的好壞（誤差值越小越好）。例如：(103-101) + (18-17) + (212-200) = 15。

另外實務上損失函數可以有多種計算模式，這部分則超過了我們設定檔範圍就不在此說明。

由於所有的評量資料都需要人工標註，所以這種方法也被稱為監督學習（Supervised Learning）。

達成目標階段

在設計標準階段，我們已經確認並理解了損失函式（Loss Function）的計算內涵。而在這一階段的最後，我們需要運用一種方法，透過我們所選定的損失函式，從眾多的候選函式中尋找出最佳的預測模型——這就是我們所謂的「最佳化」。

例如，在我們的候選函式中，我們有 f1, f2, f3 三種函式。假設 f1 預測函式所計算出的誤差值為 5， f2 為 33，而 f3 為 11。從這個例子我們可以看出，根據損失函式的計算，f1 是最佳的選擇。

以上是我們對於"最佳化"的簡化說明。若想深入了解最佳化的方法，這裡有兩個重要的關鍵字可以作為你的學習導引，分別是"梯度下降法（Gradient Descent）"和"反向傳播法（Backpropagation）"。

訓練以及測試

總結