讀機器學習有感

這學期修了學校資工系開的機器學習一課，跟眾多資工系所的大神們一起上課，雖然內心有一些想要用機器學習來解的問題，不過目前還算是「不知道學這個有什麼確實用途」的狀態(啊…我臉書上的好友Ya教授一定會對這點很不爽O_O)。
這幾天複習一下進度，把課本的內容對照筆記再看過一遍，倒是得到一些感觸。

－－

現在學習的有Perceptron Algorithm(感知學習演算法)，和Linear regression Algorithm(線性迴歸)，這兩個學習法從根本上有兩個不同：
Perceptron Learning是給定一大群資料和他們所屬的群體，找出那條分隔線，之後就可以利用這條分隔線作為機器判斷的基礎，這算是最最基本的機器學習演算法；要怎麼讓機器學到這條線呢？做法很簡單，針對每個點，要是現在的分隔線分錯了，就用這個點的資料去更新這條線，求到錯誤最少的那條線即可，很可惜的，要直接找出那條分隔線，已經被證明是一個NP-Hard的問題，所以我們用了一個替代的方法：一個點一個點的更新，然後記住那條表現最好的線，時間久了，這條線就是我們想要的解。

和Perceptron Learning 相對的，另一種是Linear regression： 這次我們不是要把資料分兩群，而是送來一大群資料和他們的評分，要找一個預測式，能讓預測結果和評分間的均方差(square error)為最小，和上一個問題不一樣，這次我們只要拿到資料建成矩陣，做點線性代數的運算就能直接算出解，完全不需要迭代。
不同的問題，卻讓解法天差地遠，Perceptron需要不斷迭代，找尋錯誤；Linear Regression卻像先知一樣，我說這個是答案，那這個就是答案。

像Linear Regression這樣又快又準的演算法，反而讓人覺得不像是「機器學習」，它沒有學嘛。
我們對「學習」這個詞的解釋，比較像Perceptron這樣，這筆資料我錯了，看看我錯在哪？錯了多少？把它修正回來，於是「學」會怎麼處理這筆資料；像Linear Regression這樣，那不是學習，那是工程計算，稱它為「機器學習演算法」，不免心理有些疙瘩。

－－

可是話又說回來，我們的教育制度，不是一直著重公平的考試，不要真正能看學生學會什麼的申論題，不要能看學生推論過程的證明題，只留下有標準答案的選擇題。
結果學生被訓練成對選擇題有反應，給一串題幹說明，再給四個可能對、可能錯的答案，要在最短時間內選出正確的答案，於是學生不再是學習問為什麼，而是背頌式的「知道」答案，對照街上林立的補習班，這豈不和我們上面對「學習」的意義相反？

－－

我們要機器像人一樣學習、卻要人像機器一樣學習，豈不本末倒置？想起來有夠荒唐。