尋夢新聞LINE@每日推播熱門推薦文章，趣聞不漏接❤️
從’為什麼’開始
問「我們為什麼這樣做？」應該是我們在任何機器學習項目中提出的第一個問題。很多時候我們看到項目失敗，是由於一個錯誤的原因開始，所以我們對於這個新項目首先開始問下：
我們為什麼要製作自動駕駛帆船？
簡短回答：它為學習如何應用機器學習提供了一個絕佳的環境。
這並不是因為人們厭倦了自己駕駛帆船，也不是我們想用新的智能系統去贏得比賽，而是發起的這個挑戰有一些因素在內，使得它非常適合學習：
- 帆船賽其實是一場比賽
這種所謂的「對抗性」設置意味著我們不僅要考慮自己的行為，還要考慮一個或多個對手的行為。這在無形中增加了一層全新的複雜性，從而提供了一個非常具有挑戰性的學習環境。
- 環境是真實的
這種設置不是人為的，而是現實的和無情的。有許多因素需要考慮：風、波浪、船的狀況等。這些是大多數算法在現實世界中工作時所面臨的現實。
- 知識會更牢固
人們通常會在調動起所有的感官的時候學習效果更為顯著。乘坐帆船的時候，會刺激到所有人，並提供豐富的學習經驗，這會有助於您更為深入理解這些概念。
在我們的課程中，我們採用的方法與大多數其他AI課程不同。我們不會從基本概念開始，直到我們解決難題這種方法。我們將採取不同的路線，贏得勝利。通過不斷保持主要目標（創建自主帆船），您將在整個過程中保持更多的參與和積極性。
目標
讓我們稍微細化一下我們的目標。創建一艘自動駕駛的帆船聽起來比較簡單，但可能會涉及到很多的內容。
我們可以按如下方式定義目標：
為帆船創建一個自動駕駛儀（轉向機構），使其能夠以競爭的方式參加帆船比賽。
到現在它仍然看起來像是一個非常大的難題。通常有助於將問題分解為我們可以單獨解決的較小問題。這樣的事情可能會有所幫助：
- 目標1：尋找最佳駕駛路線，考慮風向和速度
- 目標2：讓船沿著最佳航線航行
- 目標3：應用比賽策略，以便我們可以選擇最大化獲勝機會的行動
目標1似乎現在看起來更加實用了。我們可以提出一些具體的問題：在給定風向和速度的情況下，帆船的最佳航線是什麼？
能夠提出這樣一個問題是很有幫助的，接下來我們一起看下
目標1：找到最佳航線
在我們可以通過機器學習做些什麼之前，我們首先需要學習一兩件關於航行的知識。這種「領域知識」對於機器學習項目的成功至關重要。除了錯誤的動機之外，缺乏領域知識是許多機器學習項目失敗的第二個原因。有時候，要麼是我們解決問題的原因錯了，要麼是我們解決了錯誤的問題。
考慮下圖1中的情景。假設我們需要到達頂部的標誌點，風是直接來自上方的。根據航行方面的常識問題，您可能知道：我們無法直接駛入風中。但如果風來自側面，我們就永遠不會集中目標。所以在這兩個極端之間存在一個最佳狀態。找到這個最優是我們的目標。
圖1：逆風梯（風來自頂部）
風角、風速和船速之間的關係通常由海員用極坐標顯示。圖2顯示了這樣一個圖的一個例子。
圖2：極坐標圖
粗黑線表示在某些風角（相對於船）和速度下的船速。針對6,8,10,12和20節的風速繪制不同的曲線。船速通常以1節≈1,85kph的結節來測量。現在變得非常容易閱讀船速：10度風在110度風角（答案約為7節）。更重要的是，這個圖有助於我們找到最佳的VMG（見視頻：Velocity Made Good）。
粗黑線表示在一定的風角(相對於船)和速度下的船速。風速分別為6、8、10、12和20節時繪制了不同的曲線。船的速度通常用繩結來計算，繩結≈每小時1,85公里。現在的船速就很容易閱讀了
它變得很容易讀的船速說:10節風在110度角(答案是大約7節)。更重要的是，這個圖幫助我們找到最優的VMG(參見視頻:Velocity Made Good)。
比較簡單吧？我們不需要機器學習。只是我們沒有為每艘船提供這些極坐標圖。通常船艇設計師會提供一些理論上的內容，但專業團隊需要創造自己的最佳性能。
現在我們可以將第一個目標重新定義為更具體的內容：
根據風速和風向，預測某個方向的船速。
有了這樣的模型，我們可以很容易地預測最大VMG的過程。現在讓我們繼續看看如何使用機器學習來做到這一目標！
始終牢記目標
在課程中，我們將使用除自動帆船以外的示例。當我們介紹新概念時，我們將使用如下插入將它們鏈接到我們的目標：
目標：尋找最佳航線
什麼是機器學習？
那麼，什麼是機器學習？讓我們首先定義學習本身。 Google網路定義告訴我們：
學習：通過學習、經驗或被教導獲得知識或技能
這適用於計算機以及人類。後來我們確實會看到：人類和計算機其實是以非常相似的方式學習。
在機器中，獲得的知識存在於所謂的模型中。該模型在訓練階段學習，稍後將用於在應用程序中執行其最終任務。以預測為例。
模型：系統的世界觀，包含系統學到的東西
機器學習的類型
根據上面的學習定義，機器學習有三大類：
- 監督學習（正在教授）
- 強化學習（經驗）
- 無監督學習（學習）
監督學習
目前，這是最常見的機器學習形式。我們知道結果必須是什麼，通過提供好的和壞的數據示例「教導」機器更接近。
更具體：我們希望我們的模型能夠將給定輸入（通常名為X）轉換為特定輸出（通常命名為y）。我們通過輸入具有相應輸入的輸出示例來訓練模型，這稱為訓練集。
圖3：輸入、輸出和模型
定義它的另一種方法是將其寫為數學公式：
y = f（X）
這里f是將輸入轉換為輸出的函數（模型）。
強化學習
這在技術上是一種監督學習形式，但老師不是真實的人類。系統會通過反復試驗從其環境中學習。
該模型仍有輸入和輸出，但我們沒有帶示例的訓練集。相反，我們有一個稱為獎勵函數的東西，模型試圖最大化。
無監督學習
即使沒有老師，機器也可以學習如何在收到的數據中找到結構。例如：’clustering’和’dimensionality reduction’。請參閱下面的維數減少示例。系統找到看起來相似的照片示例。
圖4：t-SNE降維示例
目標 – 尋找最佳航線
問題
什麼機器學習類型最適合我們的目標？
回答
我們有一個標籤數據集，所以我們可以使用監督學習。
問題的類型
在有監督的學習中，我們可以解決兩種主要類型的問題。類型取決於所需的輸出。
想像一下，您想要確定某個圖像是否包含狗或貓。這將是分類的一個例子。
分類：目標是預測一個類或類別
另一個例子：假設我們想根據天氣預報和季節來預測北京的煙霧量。這將是一個回歸問題。
回歸：目標是預測實數
目標 – 尋找最佳航線
問題
我們的目標是分類還是回歸類問題？
回答
顯然是一個回歸問題，因為我們想要預測的船速是一個實數。
特徵
現在，我們來看一下機器學習系統的輸入數據。模型需要知道我們想要了解的東西的屬性，這些屬性稱為特性。
我們以水果為例：水果的重量和顏色都是特色。
圖5：橙子和獼猴桃的不同特徵
該模型可以使用這些特徵來預測我們觀察到的水果種類。這將是分類。
試圖根據重量和顏色預測直徑是一個回歸問題。
目標 – 尋找最佳航線
問題
對於我們的目標，模型的特徵是什麼？
回答
風角和風速
訓練模型
好的，但我們如何從特徵到預測呢？首先，我們必須訓練我們的模型。
訓練分類模型
讓我們繼續水果的例子，我們想根據重量和顏色來確定水果的類型。首先，我們需要將顏色轉換為數字。我們選擇以nm為單位的光波長。綠色變為520nm，橙色為600nm。我們把兩個數字都繪制在圖表中。
圖6：帶有數據點的散點圖
訓練的目標是找到一條分出獼猴桃和橙子的線。該線完全是隨機開始的。在每個訓練步驟中，模型都試圖將直線往正確的方向移動一點點。一段時間後，越來越多的水果將最終落在正確的一側。
圖7：對橙子和獼猴桃進行分類
經過5個步驟，我們對結果感到滿意。訓練停止，我們現在可以使用我們全新的訓練模型進行預測。
訓練回歸模型
這遵循相同的基本原則，現在我們將根據重量預測每個橙子的價格。目標是繪制一條與我們用於訓練的示例非常匹配的線。
圖8：回歸模型的示例
訓練後，模型給出了給定重量的每個橙子的可能價格。
回到帆船上
那麼考慮到風速和風向，我們如何使用機器學習模型來預測某個方向的船速？在我們開始訓練之前，我們需要數據！
假設您的團隊去年每次航行時都記錄了風速、風向和船速。你遇到了很多不同的天氣（和波浪）條件。清理完這些數據後，最終會得到一個帶數字的大表。來自該數據幀的隨機樣本如圖9所示。
圖9：數據集的隨機樣本
在這種情況下，boat_speed是我們的目標變量。我們的輸入功能是wind_speed和angle_of_attack。
在我們的課程中，我們使用船上收集的數據來訓練機器學習模型。參與者將使用這些預測來製作他們自己的船的極坐標圖。如前所述，這將使船舶可以自動駕駛，並在競賽中發揮重要作用。
然後我們用帆船將它們掛在水面上測試模型。我們還與所有參與者進行虛擬競賽，以找出最適合的模型！
總結
在這篇博客文章中，您已經發現了我們做到自主航行挑戰子目標1的方法——找到最佳航線，並學習了一些機器學習的關鍵概念。
那麼子目標2和3呢?子目標1在一篇博客文章中已經涵蓋了很多內容，所以請繼續關注後續的文章。
編譯出品