[分享] 機器學習工作坊 Machine Learning Workshop
Machine learning workshop I - image classification from Yun-tao Chen
<概念簡介>
<概念簡介>
傳統的程式與 “機器學習” 程式之間的差異
傳統的程式是寫一套 “規則”，當程式接收我們的輸入 “input” 時，經過程式裡寫死的準則 “rule” 運算後，產生出我們輸入對應到的結果 “result”。
(input + rule → result)
(input + rule → result)
而機器學習的程式則是，根據我們輸入 “input” 的訊息，以及該輸入相對應的結果資料 “result”，讓模型自動產生出判斷準則 “rule”，訓練完成的判斷準則，就是我們要的機器學習模型，作為日後判斷新資料時使用。
(input + result → rule)
(input + result → rule)
以上兩者的目的都是為了讓我們能夠得到良好的 Rule 來做出特定的功能
只是 Rule 的產生模式不一樣
只是 Rule 的產生模式不一樣
- 傳統做法：Rule 出自於我們自定義寫好的程式邏輯
- 機器學習：Rule 是由透過大量 input 與 reslut 組合的資料
那麼，透過數據訓練的機器學習模型，是否會比我們直接寫死的 Rule 還要好呢？
這個問題的答案就要看我們 “想處理什麼樣的問題”
舉例來說，倘若要處理問題的是：輸入兩個數字 a 和 b，判斷 a 是否大於 b ？
一般的做法下，我們只需要透過簡單的判斷式規則即可解
if a > b:
return True
else:
return False
如果是透過大數據與機器學習演算法來解這的問題，我們則需要準備大量的數據，透過大數據自動調整演算法中的參數，逐漸產生好的判斷規則。
數據的長相，可能類似像這樣的
| a | b | result |
|---|---|---|
| 2 | 3 | False |
| 3 | 2 | True |
| 1 | 4 | False |
| 1 | 0 | True |
| 3 | 3 | False |
機器如果想要學完 a > b 所有的情況 (case) 基本上是不可能，因為實數的集合是無限大，我們準備的資料不可能囊括所有的 case，訓練出來的機器學習模型在這樣的問題上，就無法保證 100% 會是對的。
但如果今天我們要解的問題是：
這張圖片裡是不是貓？
首先，做 “影像辨識” 這樣的任務，就沒有一套很明確的規則
舉個例子： “判斷圖片裡是否是貓”，就沒有一定的依據，
判斷依據可能是，耳朵像三角形，或是摺起來，有鬍鬚，眼睛可能是瞇起來的，或是睜開的，姿勢可能是坐著，站著，顏色有各式各樣，有時候拍照角度又可能只有局部的畫面。
因此要使用自訂義的準則去判斷 “一張圖片裡面是否是貓”，這樣的準則會非常地繁複且龐大。
判斷依據可能是，耳朵像三角形，或是摺起來，有鬍鬚，眼睛可能是瞇起來的，或是睜開的，姿勢可能是坐著，站著，顏色有各式各樣，有時候拍照角度又可能只有局部的畫面。
因此要使用自訂義的準則去判斷 “一張圖片裡面是否是貓”，這樣的準則會非常地繁複且龐大。
因此這樣的問題，就適合採用機器學習的方法，透過大量的 “貓咪圖片” 資料，與 “不是貓咪的圖片” 來訓練出一個辨識貓的機器學習模型（產生辨識貓咪的複雜規則）
機器學習在做的事情就是 “找一個好的 Function”
透過上述例子，我們知道透過大量資料，可以讓機器學習模型，調整出一個複雜的準則 (Rule)，而達到能處理複雜任務(如影像辨識)的功能 Function
依據 Function 的 output，大概可以分為兩大類
- Regression 回歸問題: Function 的 Output 是一個浮點數
- Classification 分類問題: Function 的 Output 是一個或多個類別
評估 Function 的好壞的方式是非常重要的一個環節
機器學習模型成效評估
評估機器學習模型的策略，以及資料準備的處理方式，都是機器學習領域當中，非常重要的環節。有好的評估準則，才能讓我們挑出好的機器學習模型，用在適合的情境當中。在做分類問題時，統計學當中有三個很常用的指標，分別為精確率 (Precirion)，召回率 (Recall)，與F值(F Score)
以「辨識是否有疾病」的分類準確度為例：
以「辨識是否有疾病」的分類準確度為例：
- 精確率 代表我們辨識模型推斷「有病」的案例當中，實際上有病的比例。
- 召回率 代表實際有病的案例當中，成功被辨識模型偵測到的比例。
- F值 則是將精確率，召回率做一個加權平均後，所計算出來的指標。
由以上案例可見，光是一個分類問題，就可以從許多不同的面向去探討模型是否「準確」，如果想要綜合評估模型的表現，我們可以採用像是 F Score 這樣的綜合指標來評估模型整體表現。
“神經網路” 與 “深度學習” 簡介
目前的影像辨識領域，大量採用機器學習知名的神經網路 (Neural Network 簡稱 NN) 架構，在顯示卡與運算能力發展進步的幫助下，讓我們可以擁有足夠的運算能力，在短時間內運算處理多層 (深層) 的神經網路架構，發展出深度學習 (Deep Learning) 這樣的演算法，突破了影像辨識多年來的瓶頸。
Deep Learning 演算法架構針對不同的問題，也發展出許多變形，例如用於處理影像的 Convolutional Neural Network (CNN) 模型，以及用於處理時間序列資料如做文本翻譯，語音辨識的 Recurrent Neural Network (RNN) 模型。
許多知名的 CNN 架構在影像辨識比賽中取得優異的成績，例如 Google 的 Inception 系列，微軟的 ResNet 系列，都是知名的設計，有興趣可以查關鍵字追一下最新發展喔。
Good website
回覆刪除