关于机器学习的三大类型分析

为了把机器学习技术应用于工业，须先了解机器学习分成哪里些种类，有哪里些不同的算法，以及实际应用时有什么值得注意的地方。

据报导，机器学习算法逐渐潜入我们日常生活，但是工业应用却面临不少瓶颈，不如消费应用那么普及，Inductive Automation的Kathy Applebaum指出，综观目前工业采用机器学习技术的情况，以预测性维护(PM)为大宗，其次是品管、需求预测和机器人训练。

机器学习主要分成三大类型。首先是资料分析，Applebaum指出，诊断性分析(diagnostic analysis)是为了找出问题的原因，预测性分析(predictive analysis)则根据过去的资料预测未来，建议性分析以预测性分析为基础，建议该如何解决问题。

至于算法的种类，第一种是分群算法(k-means)，Inductive Automation的Kevin McClusky指出，分群算法不清楚各个类别所代表的意义，只会计算每一个点到已设定的群集中心的最短距离，进而决定下一个群集中心，很适合进行资料分类，完成缺陷分析。

第二种算法称为决策树，Applebaum认为很适合预测性维护，也可以跟其它算法搭配使用。

第三种算法称为回归分析，McClusky认为适合调整工作流程和预测产量，例如依照目前的变量来预测产量。至于神经网络算法，则是模拟人脑的运行方式，工业最常见的应用是在视觉系统。

无论何种机器学习应用，都需要先收集优质的资料，首要之务便是找到适合的资料并加以处理，进而确保资料质量。McClusky也建议企业执行机器学习计画时，务必采用撷取、转换和载物(ETL)来取得资料，把资料收集流程自动化。Applebaum则建议勇于多尝试不同的算法，各家供应商皆有提供分群、神经网络、回归等各式各样的算法。