國企系「人工智慧與商業應用」課程專題演講：《機器學習要學什麼》

國際企業學系暨研究所

撰文者／國際企業學研究所 李哲柔

本系簡睿哲老師「人工智慧與商業應用」課程中邀請核能研究所曾繁斌副工程師蒞臨演講，本次演講命題為《機器學習要學什麼》，結合上次演講中所提及的人工智能，本次演講著重在機器學習端，向同學介紹機器學習的內容，且提點了data preprocessing, linear regression, logistic regression, SVM, decision tree, ensemble learning, PCA and K-means等概念。

因為疫情關係，此次演講中與首次一樣是線上模式，講師先與同學們回顧第一次演講提及的AI學習方式：從定義問題、數據準備、建立AI模型、結果評估到模型部屬。因此，找出題目的 X與 Y變得至關重要，因著一開始的定義問題過後便會發現需求，進而建構場景，且去找到相對應需要的數據。為了引出後續的建模概念，講師先向學員介紹了一些統計的概念，包含定義資料中心趨勢的平均數，以及資料分散程度的標準差，且向大家從數據缺失原因的問題帶出第一個應用，以「缺資料」的例題引發學員們解決問題的思維，最後導引到缺值原因除了有不存在該值、無法取得、使用者不願意提供等等外，也有相對應的處理方式如維持缺失值、以代表值填補、用其他變數作預測等等，學員們遇到時並不用太緊張。

除了缺失值的概念外，接著有normalization 與 encoding的概念，以圖示和「成績」的範例向同學們介紹了常態分部的概念，介紹標準化、非線性轉換、one-hot encoding等等的資料處理概念。不過，因著許多資料通常會需要用到迴歸的處理，因此講師也與同學分享linear regression當中的batch, epoch等概念，且結合到AI的學習方式與學習率的探究，更結合上次演講中的overfitting與學習曲線概念，實際讓學員們研讀相關程式寫法。除了batch, epoch概念之外，另外也與學員們介紹了Lasso與Ridge的使用用途與時機：norm限制器的迴歸。而迴歸當中，又以logistic regression做為此演講中一大重點介紹，除了Loss function的介紹外，也帶出matrix的概念與應用，更是進深到svm (support vector machine)的學習。

在進行一些較深的專有名詞概念介紹後，演講的最後，講師也提到decision tree和其他AI技術的概念：決策樹因為是一個if-then規則的演算法,因此沒有距離觀念,通常用於分類，而其他技術也有包含遷移學習、GAN、強化學習、自我監督式學習、主動學習、連續學習、聯合學習等等。

透過曾講師此次精彩的演說，學員們更能了解AI學習的不同面向，且對專有名詞的基本概念有些基礎的了解，可用於未來進到職場相關領域中的基礎溝通，不至於再對科技發展名詞「霧煞煞」。