machinelearning

Machine Learning (ML) is a captivating field empowers computers to learn from data and make predictions or decisions without explicit programming.

BigQuery M是 BigQuery 中的一項功能，數據分析師可以使用SQL語句創建、訓練、評估和預測機器學習模型。 在這次實作將使用一個電子商務(Google 商品商店)數據集來運行一些典型的查詢和模型訓練和預測，以讓企業更了解其客戶的購買習慣。

你是否有過使用機器學習時，卻需要人工審查的經驗呢？ AWS 的 Amazon Augmented AI （Amazon A2I）是一項機器學習服務，簡化了為 ML 應用程序構建和管理人工審核的過程，讓你可以輕鬆建置人工審查所需的工作流程！

AI系統從創建，調整到真正上線，真的是一件很困難的事。除了模型的調整是一種近乎經驗及直覺的調校過程以外，最難的莫過於Andrew說的，你的系統的穩健性能有多好？也就是說，打從一開始模型的設計，若是就沒有特別想過這個系統對整個環境及運行時間的相容性問題，一個你花費大把心血的AI系統就會變得脆弱不堪…

這一期所講的主題，清一色都在講AI將如何造成各揰危害及偏見。可能是因為Andrew就站在AI研究及技術的最前線，所以都是比較實驗性質的版本，沒有適度的規範的話，對社會的危害真的是不可不慎。

到目前為止，機器學習確實達成了許多以往看來不可能的任務，但如同Andrew所述，其實開發的過程非但不容易，還很容易觸法。 由於遊戲往往是一個有明確規則的產物，而在製作過程中的規格變化又是那麼頻繁，因此機器學習在遊戲業界的應用更是難上加難，希望Andrew接下來的分析能有所幫助。

Unity這篇文章講述了在遊戲產品中如何使用機器學習，在遊戲測試加速，擬玩家NPC，ML-Agent的訓練加速及內容生成這些領域來應用，對我來說含金量是相當高的。雖然我很早就開始都有接觸機器學習領域，也一直都有關注相關的新聞，但始終找不到在遊戲產品的有力應用點…

AI雖然現在還在萌芽期，不時有一些新鮮的技術出來，但多半面臨真實世界的考驗時，不是實用程度不夠，就是有道德問題。Andrew這次提到的跟前陣子的「明星換臉」就是類似的問題。不過從以前的工業革命，網路革命到現在的AI革命，哪一次沒有伴隨道德問題出來呢？這也是科技最有趣的地方…

以電信公司離網分析 (churn rate)預測為例 既有手動資料分析的挑戰： 電信公司與上千萬個客戶簽約，因此顧客資料量龐大，難以分析 需有專業人員進行複雜的數據建模，導致人力、時間、工具成本昂貴，無法彈性擴展應用 新進人員需要時間訓練，無法快速上手 分析目的：     使用過

在這人人朗朗上口人工智慧(AI)與機器學習(Machine Learning/ML)的時代，究竟什麼才是讓企業突破重圍正確使用數據，並領先同行？先讓我們來好好釐清這兩者的關係： 人工智慧與機器學習的差異? 許多人時常把人工智慧與機器學習這兩個詞交換使用，不過在大數據的世界裡，AI有著更廣的意義。