【讀後心得】《零基礎入門的機器學習圖鑑》，日本亞馬遜熱銷！全圖像化各類機器學習演算法，附範例Python程式碼
上個月接獲采實文化邀稿，要來談談《零基礎入門的機器學習圖鑑：2大類機器學習╳ 17種演算法 ╳ Python基礎教學，讓你輕鬆學以致用》。此書由秋庭伸也、杉山阿聖、寺田學合著，是機器學習（Machine Learning，常簡稱 ML）的入門指南。
機器學習是當前很夯的學科技術，其實寫之前我很怕文組出身的自己沒法寫出有用的心得、書評，畢竟離本身學科很遠、入門門檻也很高，只有工作上會稍微接觸到 ML 。好在，這本書並沒有詳細解說機器學習的數學原理及最佳化運算過程，因此在業務有需求的情況下，純粹以工具入門（而非科學普及）的角度來看，還是讀得完。
我在過年期間趁空（略顯艱辛地）看完此書，覺得本書適合以下讀者閱讀：
- 對機器學習、AI 應用完全不懂，出於興趣想要了解（推薦給有數學、理工、資料相關背景的朋友閱讀）；
- 想運用基礎機器學習概念，分析大量原始數據資料（Raw Data）的商業相關分析師；
- 正在學習 Python，想要找東西來練的（本書附有大量 Python 語法）
- 已具備某種程度的機器學習相關知識，想再深入一點學習。
當然，這類入門書，多少會因為野心太大、想要在宏觀角度下快速收斂各種艱深概念，因而有語意不清的狀況。這本書也很難避免這個缺點。此外，本書專有名詞不少，雖然作者有試著解釋每個專有名詞，但在 Domain Knowledge 不夠嫻熟的情況下，要能流暢的閱讀還是很吃力。
什麼是機器學習？與人工智慧有何不同？
ML 是一門對數學運算與模型最佳化要求相當的技術學科，許多人會將人工智慧（AI）、深度學習、圖像辨識等名詞與機器學習全都混用一起，但其實彼此的關係比較像下圖：
也就是說，人工智慧是最上層的總括式概念，機器學習則是實現人工智慧的其中一種方法；而深度學習是機器學習演算法的一種，常用於圖像辨識領域。
《零基礎入門的機器學習圖鑑》則是系統性地介紹多種機器學習演算法，讓讀者（使用者）能根據機器學習的性質與自身的演算目標，選擇最合用的演算法。當然，這是一個相對理想的目標，畢竟一次要介紹兩大類 17 種演算法，很難講太深；個人覺得本書更像是指引有興趣的人，該往哪個方向探索，而非直接做出應用的選擇。
機器學習怎麼分類？我該用哪一種？
機器學習的種類繁多，本書作者群用「輸入資料（Input Data）」作為分類基礎，分出三類，並從三類中挑選兩類，進一步介紹 17 種演算法：
- 監督式學習（Supervised Learning）：將問題的答案（特徵）預先輸入電腦，讓電腦學習「機器學習模型」。需要提供資料與答案。常見的監督式學習有「羅吉斯迴歸（頁83–89）」、「線性迴歸（頁64–72）」。
- 非監督式學習（Un-supervised Learning）：跟監都式學習很像，需要先提供資料，不過無須給答案（目標變數）；答案是用類推／預測的方式，用得分值的偏差與否，判斷答案是否為真。常用的方法有「降維（Dimensionality Reduction）」、「分群（Clustering）」
- 強化學習（Reinforcement Learning）：類似監督式學習，不在本書的討論中。作者群以電玩遊戲不斷練習為例，如玩家反覆玩遊戲，獲得各種不同動作評分（特徵），機器則以強化學習，學習玩家的行動與遊戲成果（目標變數），最終學會最有效益的行動。
前述提到這本書的問題，大概在進到分類說明演算法時，偶爾會顯得艱澀。可能該名詞在很多頁之前有說明過，突然又出現在後面章節，導致認知不連貫甚至障礙的情況。另外選用的例子，網路上有評論覺得以常情而言說不通，這邊我倒覺得從機器學習的角度來看可以理解（以下舉例說明）。
比如說，「單純貝式分類器」將一連串虛構的新聞報導標題，區分為「電影」和「宇宙」兩種類別，最後再給予一個測驗用的虛構標題，請電腦判斷這到底是哪一類。實際出來的結果，是2/3機率為電影，1/3機率為宇宙。至於這個判斷的正確與否，其實取決於一開始餵的那一連串標題與分類，而非真實語意的判斷。假如你怎麼看都覺得電腦判錯了，其實很正常──因為電腦是根據你給的資料來決策；至於你的人工判斷（合不合理）則已經在人工驗證／回饋的階段，兩者不能一概而論。至於電腦會不會改善判斷，則是取決於下一輪的資料來源與學習過程。
機器學習的應用方式
機器學習的應用其實包山包海，《零基礎入門的機器學習圖鑑》提到汽車自動駕駛、文字自動分類與翻譯，或是醫療領域的X光片分析、氣象資訊的情勢分析等，都有關聯應用。
目前我待過的幾間公司，或多或少都有用到機器學習技術，只是深淺之分。與電商為例，機器學習多半用於用戶喜好與行為分析（或預測），藉此提供最佳化的內容；同理也常用於廣告投放分析。相信軟體業的產品經理們對此必不陌生。只是，畢竟技術原理相當倚賴數學能力，模型設計也是工程師的活，因此在實務上遇到機器學習需求時，比較多是產品經理描述需求，直接讓ML工程師帶隊選用方法、設計模型、訓練資料，最終再由產品經理、營運團隊或相關同仁，參與結果驗收（檢驗）結果是否正確，從而進行下一輪的機器學習。
我可以怎麼閱讀這本書？
坦白說，《零基礎入門的機器學習圖鑑》，對於純文學學科背景（如我）的讀者而言，可能只能讀一半；非軟體業或業務無涉機器學習者，可能只能讀更少。離標題標榜的「淺顯易懂」，其實有一小段距離。
原因很簡單，雖然全書有大量圖解，也在每種機器學習方法清楚列出了原理、實務應用方向、範例成果等，所以讀者在「隨機森林」、「類神經網路」、「單純貝式分類器」、「潛在語義分析（LSA，Latent Semantic Analysis）」可以快速理解。
只是，進到每一節後半段的範例程式碼，或是章節中數學講比較深的地方，難免會有「吸收不了」、「無處可用」、「名詞艱深」的為難。
不過，我始終覺得，一本書哪怕整本都寫很爛，只要有一句話打動你的心、對人生或思想有所影響，那讀書的時間也就值得了。
所以儘管對我來說，此書只有讀一半的遺憾，但另一半讓我補上了機器學習的基礎知識，掌握機器學習的整體輪廓與概念，幫助我在跟同事討論工程進度時，不至於鴨子聽雷一頭霧水，也可以省掉一些些工程師賣力解釋的時間，其實就非常實用了！
雖然還做不到「精準選對演算法」這個略嫌進階的目標，但反正專業事交給專業人決策（就交給工程師吧）！能提升溝通效率，就已非常有幫助。
最後還是要說，機器學習門檻真的頗高，這本也真的偏向入門「工具書」而非科普書。如果工作、興趣上沒有需要，請自行判斷是否需要購入此書。
如果你喜歡這篇文章，請給我 10 個 Clap（拍手）！
鼓勵我繼續寫作、分享職場與好書心得！❤️如果你對這本書有興趣，可到博客來購買《零基礎入門的機器學習圖鑑》。（點擊本文附贈連結購書，我將獲得4% 回饋金，回饋金將用於流浪動物團體捐款。）
