Embedded Files
機器學習(Machine Learning)本質上就是找出一個函式(Function)，
讓我們輸入(Input)資料後，可以輸出(Output)我們想要的資料結果。
例如語音辨識(Speech Recognition)本質上就是希望機器學習上找出一個
函式，我們希望輸入一段語音資料給此函式後，函式可以輸出語音辨識結
果文字。影像辨識(Image Recognition)本質上也是希望機器學習上找出一
個函式，我們希望輸入一張影像給此函式後，函式可以輸出影像中有什麼
物體之文字。AI下圍棋(AlphaGo)的本質上也是希望機器學習上找出一個
函式，我們希望輸入棋盤上黑子、白子的位置給此函式後，函式可以輸出
下一步落子的位置。
只是這些應用，我們要找的函式都是非常非常複雜的，光靠人類是無法推
導出來的，只能靠機器學習(Machine Learning)去找出來。
機器學習的任務，函式的種類
依照我們要找的函式的不同，機器學習也分成不同的任務。
如果今天你想要輸出一個數值，那這個任務叫做迴歸(Regression)。例如用今天的PM 2.5的相關資料預測明天的PM 2.5數值; 還有股價預
測、房價預測之類的應用，本質上都是迴歸(Regression)問題。
如果今天你想要輸出一個指定好的選項，那這個任務叫做分類(Classification)。例如訓練機器判斷郵件是否為垃圾郵件，Yes or No，也是個分類問題。
AI下圍棋(AlphaGo)本質上也是個分類(Classification)問題，我們希望函式可以輸出下一步落子的位置，棋盤上總共有19 x 19個不同位置(等於19 x 19個不同類別選項)，可以想成要函式輸出在下哪個位置是最好的(等於分類屬於哪個類別選項)。
AI下圍棋(AlphaGo)本質上也是個分類(Classification)問題，我們希望函式可以輸出下一步落子的位置，棋盤上總共有19 x 19個不同位置(等於19 x 19個不同類別選項)，可以想成要函式輸出在下哪個位置是最好的(等於分類屬於哪個類別選項)。
命名實體辨識(Named Entity Recognition)的本質
在自然語言處理(Natural Language Processing)領域中，假設我們在一段句子，
小華2022/02/23在台北菜市場附近買了7顆西瓜。
想要把人名、日期、地名、物品、物品數量等詞彙抓取出來，讓人一目了然，這其實就是自然語言處理(Natural Language Processing)領域中的命名實體辨識NER(Named Entity Recognition)問題、又稱專有名詞辨識，是資訊抽取（Information Extraction, IE）的基本任務之一。
要解決命名實體辨識NER問題，如果是使用深度學習(Deep Learning)的方法，可以利用BERT模型去處理，NER問題其實本質上就是個分類(Classification)問題，其實就是訓練好模型(model)後，利用模型(model)去預測(Predict)這個字(word)是哪個類別的機率高，有了每個字的類別後，再把相同類別的字的詞性合併成詞，這樣就可以知道這個詞是屬於哪個類別了。
結論(Conclusion):
想不到吧! AI下圍棋(AlphaGo)的問題和NLP中命名實體辨識NER的問題本質上都是個分類(Classification)問題，其實大部分
問題如果你知道它的本質，基本上都可以用很簡單的方法去解決它，只是大部分人都會被表面的問題所蒙蔽，無法知道問題的本
質，所以當然無法解決問題。
Page updated
Google Sites
Report abuse