2024 讓你 8分鐘 懂機器學習： 01 機器學習 vs 人工智慧

圖片來源 ： DALL-E 生成

2023 年，被世人稱做 生成式 AI 世代的元年 ，網路上不斷地湧現出各式各樣的 AI 工具，改變了我們生活的一切。

那 AI 到底是什麼？

要了解這個問題，我們首要得去理解的是，人工智慧 與 機器學習 到底有什麼關聯？

人工智慧 (Artificial Intelligence, AI)

簡單來說，就是透過電腦去模仿人類解決問題。我們來透過一個日常生活中常見的情況，舉一個簡單的例子吧：

今天 不斷地打噴嚏，且眼睛開始發癢 。很難受的你，最後決定去診所看病。你向醫生描述了症狀，於是根據你的描述，醫生推理出了，你其實只是過敏 而已。

醫生到底怎麼判斷出你的病況的？其實在醫學相關知識中，就有寫到哪些病會有哪些症狀。而醫生根據這些內容，整理出了一套規則：

規則1：如果病人有發燒且有咳嗽，則診斷為流感。
規則2：如果病人有咳嗽打噴嚏，但沒有發燒，則被診斷為感冒。
規則3：如果病人不斷打噴嚏，沒有咳嗽不舒服感，則被診斷為過敏。

醫生便透過你的症狀，查找這個規則，發現：

這個症狀只符合 規則3 ，因此醫生推斷你得了過敏而已。

剛剛上述，透過定好規則來用症狀推測疾病的方法，就是較為早期人們製作人工智慧的其中一種方法，稱作 規則式系統（Rule-based Systems）。

當然，人工智慧還包含了更多種方法，比如說：

知識表徵（Knowledge Representation）：這是人工智慧中的一個重要領域，涉及理解和表示外部世界的知識。這包括對概念、實體、事實、事件等的建模，以及如何有效地存儲和檢索這些知識。自然語言處理（NLP）：NLP不僅僅是關於理解和生成語言，它還包括情感分析、語言翻譯、語義理解等多個方面。專家系統（Expert Systems）：這些是設計來模仿人類專家決策過程的系統。它們通常用於特定領域（如醫學診斷、金融分析等），依賴於豐富的領域知識和推理規則。電腦視覺（Computer Vision）：這個領域專注於讓機器理解和解釋視覺信息。

這些方法，不用全部都懂沒關係！這些僅僅只是 人工智慧 所涵蓋的所有內容，而接下來要介紹的 機器學習，只是 人工智慧 當中，其中一個實現的方法。

機器學習(Muchine Learning, ML)

大家不用把 機器學習 想的太難，其實他就只是 人工智慧 的其中一個分支。機器學習 是透過 資料 的訓練，讓機器找出 資料 與 結果 的關係。舉個例子：

當你今天第一次看見兔子的時候，肯定會不清楚原來他是兔子。於是你的朋友告訴你，這個就是兔子。過了幾天後，你再次看見兔子，因為還不太熟悉，你可能會半信半疑，覺得這個 可能是兔子 。隨著你看兔子的次數越來越多，你會慢慢地可以從兔子的各種特徵，去辨認這隻動物到底是不是兔子。經過長時間的訓練後，最後一眼就能看出，這就是兔子。

而 機器學習 就類似於，模仿人類在學習的過程，透過不斷的訓練，最後學會怎麼去判斷。換句話說， 機器學習 就類似於透過學習去模仿人類的智慧，因此屬於 人工智慧 的細項。而機器學習，又細分為以下四種：

監督式學習 (Superviesd learning)：所有資料都有被 標註(label)，因此每一筆資料都有答案。以剛剛的兔子為例，就像是你朋友把一堆照片給你，照片上面有標註 是 或 不是 兔子。於是你開始不斷地複習這些照片，慢慢地你就能學會辨識兔子。

非監督式學習(Unsupervised learning)：所有資料都沒有被 標註(label)，因此沒有資料有答案。就像是說，你朋友給你一堆照片，上面有不同種類的動物，但他並沒有在照片上寫上這隻動物是什麼。最後，在不斷的複習之下，你只能將類似的動物做分類。得出結論，毛茸茸的這些是動物 A，很大隻有長鼻子的是動物 B。

半監督式學習(Semi-supervised learning)：部分資料有被 標註(label)，因此只有部分資料會有答案。類似於，你的朋友給了你一堆照片，上面只有部分照片寫有 是 或 不是 兔子。因此你只能透過觀察那些有寫答案的照片，上面兔子的特徵到底是什麼，最後去辨認並分類剩餘沒有答案的照片。

強化式學習(Reinforcement learning)：電腦自己去與環境互動，透過成效去學習。我們舉個例子，今天朋友帶你去兔子園，但他完全沒告訴你可以幹嘛，於是你就到處走走、到處摸摸。突然，你找到了飼料，並裝好了飼料給兔子吃。你朋友這時候就現身說，你做了一個正確的事情，超棒的。此時你便知道，拿飼料給兔子吃，是一個正確的行為，於是你就會經常去做這件事情。

總結

差異

機器學習就是人工智慧的一種方式，而人工智慧是屬於更廣的意義。

人工智慧：模仿人類的智慧，去解決問題。機器學習：模仿人類不斷學習，學會如何解決某個特定問題。

下一章

在下一章節，準備帶給各位更深層的機器學習的概念，讓大家為後續更為艱深的內容奠下基礎。

參考資料

[Machine-Learning] 3分鐘了解機器學習在學什麼 ? 
Shang-Jou Ian (Terry毛) 
Mar 26, 2019