高煥堂

1 復習：ML的智慧表達形式

上一期說明了人工智能（AI）（ML，機器學習）的推論技能，和其基于事物或現(xiàn)象之間的關聯(lián)性（或稱相關性）。例如，大家都熟悉氣候的運行規(guī)律：春暖 → 夏暑 → 秋涼 → 冬寒 → 春暖 → …。四季更替、周而復始，如圖1所示。這項人類已知的智慧（即關聯(lián)性），就可以讓機器（計算機）來學習、記憶它，然后依據它進行推論或預測。

于是，我們把這項關聯(lián)性（知識）排列在Excel畫面上，從X對應到Y（參見圖2）。在上一期里已經介紹過獨熱編碼（OHE，One-Hot Encoding），這樣就可以讓機器來學習人類已知的智慧了。

此時，機器會建立兩組神經元之間的連結（Connection），并且賦予一個權重（Weight）值來表示它所學習到的關聯(lián)性，參見圖3。接下來，按下“學習”按鈕，就展開機器學習，來記春暖（[1000]）與夏暑（[0100]）之間的相生關系。于是權重（值）就會發(fā)生變化，如圖4所示。

圖4里的線條寬度表示權重（值）的大小。這樣就記住了春暖與夏暑之間的關聯(lián)性了。那么，ML就藉此神經網絡就繼續(xù)學習更多關聯(lián)性，例如學習并記住了上述的所有關聯(lián)性了，如圖5所示。并且輸出于Excel畫面上，如圖6所示。

以上幫您復習了，如何展開機器學習，來記住事物之間的關聯(lián)性。

2 擴大：欣賞ML的時序性推論技能

在本節(jié)里，來舉大家也熟悉的唐詩韻律，說明其時序性的關聯(lián)性。例如，最典型的五言詩韻律：“仄仄平平仄， 平平仄仄平”。其中具有時間順序性的關聯(lián)性，所以稱之為韻律。此韻律里包含兩項名目：“平”和“仄”。于是就采取OHE編碼：以 [10]代表“平”；并以[01]代表“仄”。接下來，我們可以觀察到其中的各種時間順序性的關聯(lián)性。例如，從連續(xù)兩個字的韻律，就能推論出第3個字的韻律（平或仄）。例如，連續(xù)兩字的韻律是“仄仄”，其后續(xù)字的韻律是“平”。再如，連續(xù)兩字的韻律是“平仄”，其后續(xù)字的韻律是“仄”，如圖7所示。

于是，我們把上述的關聯(lián)性排列在Excel畫面上，從X[]對應到Y[]。并且按下“學習”按鈕，機器就迅速學習，以權重值來表示其關聯(lián)性，如圖8所示。

這些權重代表這些相關事物的連結，如圖9所示。 ML利用這個神經網絡（NN）模型，來記住其關聯(lián)性?；谶@個模型里的權重，就能進行推論。例如，您問它：連續(xù)兩字的韻律是“平仄”的話，其后續(xù)字的韻律是什么呢？此時，ML立即取出記憶中的權重來計算，其計算公式是：X[] * W[] = Y[]。就計算出Y[] 值是：[0.5， 1.5]，最接近于[0， 1]，意味了是韻律“仄”，如圖10所示。

由于“平仄仄”是有時序性的關聯(lián)，我們就稱之為時序性的推論。同樣地，一個句子“寒江雪”三個字之間也有時序性關聯(lián)。ML也能利用神經網絡（NN）模型，來記住其關聯(lián)性。這句子里包含三項名目：“寒”、“江”和“雪”。于是就采取OHE編碼：以 [100]代表“寒”；以[010]代表“江”；以[001]代表“雪”。其中最基本的時序性關聯(lián)是：

● 第1個字是“寒” → 后續(xù)的字是“江”；

● 第1個字是“寒”，且第2個字是“江” → 后續(xù)的字是“雪”。

于是，我們把上述的關聯(lián)性排列在Excel畫面上，從X[]對應到Y[]。并且按下“學習”按鈕，機器就迅速學習，以權重值來表示其關聯(lián)性，如圖11所示。

ML學習完成了，就記住其關聯(lián)性，并能進行推論。例如，按下“推論”按鈕，就出現(xiàn)“江”（圖12）。再按下“推論”按鈕，就出現(xiàn)“雪”（圖13）。

這展現(xiàn)了ML進行時序性推論的技能。

3 一次學習多個語句

剛才學習了一個句子“寒江雪”?，F(xiàn)在，可增添更多的語句，讓機器學習更多。例如，一次學習兩句子“寒江雪”和“江南曲”。ML也能利用神經網絡（NN）模型，來記住其關聯(lián)性。這兩個句子里包含5項名目“寒”、“江”、“雪”、“南”和“曲”。分別給予一個OHE編碼。其中最基本的時序性關聯(lián)是：

● 第1個字是“寒” → 后續(xù)的字是“江”；

● 第1個字是“寒”，且第2個字是“江” → 后續(xù)的字是“雪”；

● 第1個字是“江” → 后續(xù)的字是“南”；

● 第1個字是“江”，且第2個字是“南” → 后續(xù)的字是“曲”。

于是，我們把上述的關聯(lián)性排列在Excel畫面上，從X[]對應到Y[]。并且按下“學習”按鈕，機器就迅速學習，以權重值來表示其關聯(lián)性，如圖14所示。

ML學習完成了，就記住其關聯(lián)性，并能進行推論。例如，按下“推論”按鈕，就出現(xiàn)“南”。再按下“推論”按鈕，就出現(xiàn)“曲”，如圖15所示。

這展現(xiàn)了ML可以同時學習更多語句，并進行時序性推論。

4 結語

從大數(shù)據中探索潛藏的關聯(lián)性，是ML的亮麗技能。在本節(jié)里，展現(xiàn)了ML在時序性規(guī)律的學習、表達和推論。基于這項技能，還有更多有趣的應用，期待您繼續(xù)來欣賞。

3851500589286