AI 一定要會寫 Python 程式嗎？其實不然，如果沒有太複雜，其實 Excel 就能幫忙，這集就教大家用 Excel 來操作一些簡單的例子吧！
之前幾次去講課，有人問我：「我們公司需要有 AI ，但目前很多人不太會寫 Python 程式，只能等學會 Python 才可以做 AI 嗎？」
答案：「當然不必。」事實上手邊工具能用就用，也是個不錯的選擇，如果你的問題不算太複雜，其實 Excel 說不定都可以幫忙，所以這次我們就試著用 Excel 來做一些簡單案例看看吧！
迴歸 （Regression）、分類（ Classification） 與叢集（ Clustering）
為什麼講這東西？很多人可能這樣問。其實，機器學習的範疇，依據使用者本身介入與否，大略分成兩大類型：監督式、非監督式。
所謂監督式，就是人已經知道答案是甚麼，一切依據人的標準來認定，還記不記得我們前一篇文有提到，機器學習的程式設計的輸入是資料跟答案，然後輸出的是規則，指的就是教電腦根據我們的想法去認定之後出現的目標，是不是符合規則而已。而迴歸、分類這兩種就屬監督式學習中，最常被歸納出來的解答方針。
所以無論是影像、聲音、語言文字…等，對電腦來說仍只是一大堆數值組合而已，電腦只會根據每次不同的輸入，比照我們提供標示出來的答案（就是我們想要的目標，術語叫 Label ），這些數據根據演算法會產生出指定的輸出數據，也就是我們前面講 CNN 時提過的「特徵」；我們不斷地輸入給電腦，然後電腦就跟已知的特徵比對，看相吻合的程度到多少，也就是監督式學習的精神。
那非監督式又是怎麼回事？其實又是個商業手法，資料量很大的時候，用人力來處理當然不划算，但如果我們人類提供大略準則，讓電腦自己根據這些準則，把資料整理出來並且提列出各項資料之間有無相關性呢？這就是叢集的想法。
回顧「迴歸」歷史緣由
舉些簡單的例子，讓大家一次想得到實際案例，先從迴歸開始。我們先了解一下迴歸到底指的是什麼，記得：要學一樣東西，先從它的歷史緣由來查，比較快又有效。
「迴歸」這個名詞，其實是英國人高爾頓爵士 Sir Francis Galton 發明的，高爾頓爵士是優生學的熱衷者，更在 1869 年寫了「遺傳的天才」( Hereditary Genius ) 這個著作，高爾頓爵士主張：人類的才能是能夠透過遺傳延續的。
然而 1877 年時高爾頓爵士開始研究遺傳的問題，發現小孩的確會接受雙親的遺傳使得某些特徵（好比高矮、聰明等等），可是這些遺傳的現象並不會一直延續，而是會逐漸回到人類社會的平均值，於是乎就提出了「迴歸到平均值」這個說法。這個雖然跟統計學課堂上所知道的迴歸意思不太一樣，不過，的確是迴歸一詞開始被運用的起源。
那麼到底迴歸一詞是什麼意思？說白話就是：「找出一條最能夠代表所觀測資料的線（其實就是個函數，一個算式就對了），接著用這條線（算式）代表變數之間的關係。問題在於：這條線呢…可不一定像是各位心裡想的又平又直，事實上如果有像我這樣讀電機電子背景的大大一定記得，所有電子元件的規格書，都只有保證在某些測試條件下，那些線才會又平又直，假如不是符合測試條件嘛... 就不太一定了。
簡單案例
好比說，一個氣體流量感測器好了，這個氣體流量感測器，根據實際測量氣體流量與輸出電壓的變化結果，可以做成一張這樣的表：
| 電壓(V) | 流量(cc) |
| 1.99 | 100 |
| 2.66 | 300 |
| 3.19 | 500 |
| 3.63 | 700 |
接著用 Excel 就能畫出這樣的圖，其中藍色的點，就是表中的數據，虛線的就是線性迴歸的線，那線性迴歸公式 y = 363.7x - 642.92 就會畫出線用的：
藍色的點是表中的數據，虛線的則是線性迴歸的線（圖片來源：賴桑提供）
這樣有甚麼好處？你沒注意到，我們只有四組數據嗎？而且流量間的差異還高達 200cc ，假如我要知道 15.5cc 的電壓是多少，根據表裡面的內容，怎麼查得出來？這就是真實情況，因為這些組數據都是實數 R ，無法完全提列出來，假如用這樣的方式，把電壓 V （就是橫軸的 X ），帶入算式求出流量 cc （就是縱軸的 Y ），那是不是簡便多了？
可是…實際上的線段，有剛好這麼簡單嗎？當然沒有，只是舉個簡單案例，而且誰規定一個算式只有兩個項目 X 和 Y ？可以透過以下方式獲得更精準的估算，這些也是目前業界用的：
1. 多次方程式趨近 X 最高不只一次方，不過業界會為了要讓嵌入式系統不要太高檔，通常不會超過三次方
2. 線性插值法，就是中學數學的內插、外插兩種而已
3. 把曲線分成好幾段小段的，然後每一段用一個直線方程式去迴歸
分類與叢集
分類更簡單～例如去超市買東西，分為生鮮、蔬果、海鮮、肉品…那就是整理的一種方法。那叢集呢？這裡回想到一個都市傳說…「啤酒與尿布」。
相傳，全球最大連鎖超市 Walmart 打算整理賣場的擺放櫥櫃，讓客人容易找到想要買的東西，這樣就可以提升在 Walmart 中消費的金額—人類其實不知道。於是乎，透過分析銷售的歷史資料，發現買尿布的顧客，有一定的比例也會買啤酒，所以就把啤酒跟尿布放在隔壁櫃子，果不其然尿布、啤酒兩項商品的購買數量都上漲了→從既有的資料跑程式去套出關聯性。
事實上，這後來被證實是以訛傳訛，不過呢，這個都市傳說倒是真讓大家對於 AI 眼睛為之一亮；那…程式上怎麼做到的？別把問題想太難，樞紐分析表， Excel 就可以做，還有教學影片跟範例。
不過前提是你的資料量不能太大，不然就不保證電腦會不會跟你搞罷工了。看了影片應該很有感了吧？只要人一開始對電腦下達「策略」，那電腦就會從資料裡面把符合的給「整理」出來。如果有人跟我一樣， 20 多年前修過資訊資工的課程，應該不難回想起 Data mining 這門課了吧！
樞紐分析表教學影片：
https://www.youtube.com/watch?v=Fz8T_5V2hUc
樞紐分析表範例資料：https://goo.gl/AeYgKu
小結
有仔細看這系列教學文的人，應該已經注意到了，其實真正說來，這些 NN 的功用，主要就在做迴歸、分類兩項，這是因為目前市場上，大部分還是希望電腦可以根據我們人類的想法去做我們要的事情，因此絕大多數都是監督式學習。
下一章開始，我們會帶著大家去認識一些 AI 目前市場上常聽到、常用的架構或工具，這樣拿 Python 寫一些程式時，就容易理解了。
（責任編輯：楊子嫻）
只需不到短短一分鐘...
輸入您的信箱與ID註冊即可享有一切福利!
會員福利
免費電子報
會員搶先看
主題訂閱
好文收藏
