何謂機器學習？

機器學習是企業了解其資料並從中學習的一種方法，機器學習有許許多多的子領域可供企業運用，企業可用它來提升銷售量、提供搜尋功能、在產品內加入語音指令，或是開發一款自駕車。

ML 在今日企業內的應用包羅萬象，而且未來只會越來越多、越來越強。ML 的子領域包括：社群媒體與產品推薦、影像辨識、醫療診斷、語言翻譯、語音辨識、資料探勘等等。

一些社群媒體平台，如 Facebook、Instagram、LinkedIn 都運用 ML 來根據您過去按讚的貼文，推薦您可能有興趣的內容或是想要加入的社團。它會從歷史資料當中，找出別人按讚的內容或與您按讚內容相似的貼文來提供建議，或是將這些內容加到您的動態消息。  

此外，也可將 ML 應用到電子商務網站，根據您過去購買、搜尋過的商品，或其他像您這樣的使用者所瀏覽過的商品，來提供產品推薦。

ML 今日很重要的一項應用就是影像辨識。社群媒體平台利用 ML 來推薦您照片中可標記的人像。警察利用 ML 在照片或影片中尋找嫌疑犯。透過機場、商店、大樓所安裝的大量監視攝影機，警方就有機會找出犯案的兇手，或是掌握歹徒的去向。

醫療診斷也是 ML 一個不錯的應用領域。在心臟病爆發之後，醫師可回頭看看病患有沒有什麼被忽略的警訊。此時可將病患過去的醫療記錄輸入醫生或醫院使用的系統，看看輸入 (行為、檢驗結果或症狀) 與輸出 (心臟病發) 之間是否有所關聯。未來，當醫生將他們的註記和檢驗結果輸入系統時，系統就能比人類更準確地發現心臟病可能爆發的症狀，如此一來，病患和醫生就能做一些改變來加以預防。

翻譯網站或手機翻譯應用程式也是 ML 應用的另一個例子。有些應用程式做得比其他程式來得好，這就牽涉到它們所用的 ML 模型、技巧與演算法。

今日我們每天都會用到 ML 的地方是銀行和信用卡。ML 可以很快發現某些詐騙的跡象，這些跡象人類可能要很久才能發現，甚至不會發現。透過大量已完成檢查並標記 (詐騙或非詐騙) 的交易，ML 就能學習如何在未來看到一筆交易時判斷是否為詐騙，而最適合擔任這類工作的 ML 就是資料探勘。

資料探勘

資料探勘是 ML 的一種，透過資料分析來提供預測，或從大數據當中發掘規律。資料探勘一詞算是有一點點誤導，因為它並不需要任何人 (不論是歹徒或您的員工) 在您的資料當中翻找來尋找有用的資訊。而是發掘資料當中可幫助未來決策的規律。

舉信用卡公司為例，若您擁有信用卡，那麼您或許也曾經收到銀行的通知，說您的信用卡出現可疑活動。銀行怎麼有辦法這麼快就發現這類活動，且幾乎瞬間就發出警報通知？ 這就是因為它會持續不斷進行資料探勘，才能做到這樣的詐騙防護。截至 2020 年，光美國就有 1.1 兆張信用卡。這麼多信用卡所產生的交易，提供了相當豐富的資料可供探勘、尋找規律、並學習未來如何發現可疑的交易。

深度學習

深度學習是一種以神經網路為基礎的機器學習技術。神經網路在運作上是模擬人腦神經元在決策與認知過中的運作方式。例如，一個六歲的小孩看到一張臉就能分辨這是他的母親還是路過的警衛，因為腦袋會快速分析許多細節，包括：頭髮顏色、臉部特徵、有沒有疤痕等等，這一切都在一眨眼之間完成。深度學習就是模擬這樣的方式。

神經網路通常包含 3 至 5 層的架構：1 個輸入層、1 至 3 個隱藏層，以及 1 個輸出層。隱藏層負責決策運算並連結至輸出層或產生一對一結論。頭髮是什麼顏色？ 眼睛是什麼顏色？ 有沒有疤痕？ 隨著層數增加到上百層之後，就變成了所謂的深度學習。