台灣特賣會

★亞馬遜AI與機器學習類暢銷榜第1名
★亞馬遜數學與統計類暢銷榜第1名
★亞馬遜資訊理論類暢銷榜第1名
★CNN、《新科學人》、《經濟學人》、《柯克斯書評》等多家媒體推薦報導
★比爾．蓋茲年度選書！

揭開大數據、人工智慧、機器學習的祕密，
打造人類文明史上最強大的科技——終極演算法！

有一個終極演算法，可以解開宇宙所有的祕密，
現在大家都在競爭，誰能最先解開它！

．機器學習是什麼？大演算又是什麼？
．大演算如何運作與發展，機器可以預測什麼？
．我們可以信任機器學過的東西嗎？
．商業、政治為什麼要擁抱機器學習？
．不只商業與政治，醫學與科學界也亟需機器學習，包含DNA解碼、癌症藥品開發等。
．你擔心人類會被大演算所取代嗎？可以避免嗎？該如何做？

華盛頓大學電腦工程系教授佩德羅．多明戈斯（Pedro Domingos）破解了一個在機器學習領域中長久以來的瓶頸，
成功把機器學習、哲學與人工智慧結合起來，這個突破性研究還登上了《新科學人》（New Scientist）雜誌的封面故事。

他指出，機器學習有五大思想學派，每個學派有主要的演算法，能幫我們解決特定的問題──
．符號理論學派：將學習視為是逆向演繹法，從哲學、心理學和邏輯思路方面取得概念
．類神經網路學派：導傳遞演算法可以模擬人腦思考行為，是受到神經科學和物理學的啟發
．演化論學派：遺傳程式規劃會在電腦上模擬演化，澈底運用遺傳基因和演化生物學理論
．貝氏定理學派：相信學習是機率推理的形式，是根據統計學的理論
．類比推理學派：支持向量機從相似度判斷進行推論學習，並受到心理學和數學的影響

多明戈斯認為，如果有人可以成功整合這些演算法的優點，
就能發展出「終極演算法」，便可以從大數據與人工智慧中，
獲得世界上過去、現在與未來的所有知識，將創造新紀元的文明。

站在大數據與文明終將合一的浪潮上，
終極演算法將帶領我們，望見未來。

【為什麼你必須知道大演算？】

◎如果你是一般市民或決策人士
讓你了解大演算的來龍去脈，從隱私到未來的工作與機器人戰爭的倫理，
你將會看到真正的問題在哪裡，並思考如何看待這些問題。

◎如果你要把機器學習運用在工作上
不管你在哪個行業、什麼職業別，機器學習能幫你省下人工編寫程式的費用，
避免資訊系統僵化，並預測未來你會面臨的科技發展，
甚至讓你成為精準的市場分析家、解讀大數據的科學家。

◎如果你是科學家或工程師
過去的數學和現有資訊學習與數據分析，不會讓你有任何改變。
機器學習將讓你具備非線性分析，帶給你嶄新的科學世界觀，有所突破。

◎如果你是機器學習專家
雖然你應該很熟悉機器學習，但本書仍會提供給你許多新的想法、機器學習發展史上有價值的資訊、有用案例與類似的情境，
甚至提供給你機器學習的嶄新觀點，啟迪你全新的思考方向。

◎如果你是任何學齡階段的學生
目前世界各地極度缺乏機器學習專家，這是現在也是未來最受關注的領域。
未來，不只局限現有的資訊工程、電機工程等相關科系，
無論是醫學、醫工、生物科技、行銷、電商、社會、心理、哲學、教育、財經等各科系，
機器學習終將與這些領域整合，現在了解大演算，你就不會被趨勢潮流所淘汰。

譯者介紹

張正苓

淡江大學資訊管理所碩士畢業。

曾擔任美國CNET財經版即時新聞翻譯、美國宏碁大觀園矽谷時報新聞編譯、東森寬頻數位內容副理、美國華爾街財經系列書編譯。

胡玉城

政治大學傳播學院EMA碩士畢業。

曾擔任工商時報科技記者與召集人、科技島副總編輯、中時分類廣告副總經理、美國矽谷時報執行副總編輯、東森寬頻副總經理、太平洋寬頻副總經理、美國休士頓城市電通共同創辦人與美國阿肯色WoConn總經理。

現任美國矽谷天使交易所、美國馬里蘭紅點行動支付 ReeDot Inc.共同創辦人。

著有暢談類神經網路與華爾街股市總覽等相關書籍。


審訂者

成大資工系特聘教授兼系主任
謝孫源

臺灣大學資訊工程系博士，現為成功大學資訊工程系特聘教授兼系主任。

主要研究領域為演算法設計與分析及其應用。他曾榮獲行政院國科會97年度傑出研究獎、科技部104年度傑出研究獎、中華民國資訊學會李國鼎穿石獎、中國電機工程師學會傑出電機工程教授獎、中國工程師學會傑出工程教授獎、第十三屆有庠科技論文獎(資通訊領域)、中華民國102年資訊月傑出資訊人才獎、並獲選為英國皇家資訊學會會士。

謝教授並貢獻其所學於資訊教育上，曾於2003及2016擔...

【好評推薦】
【推薦序】大演算顛覆世界，也顛覆我的看法／林泰宏
【推薦序】從5萬呎的高空鳥瞰機器學習，望見未來／陳明義
【推薦序】讓我們站在巨量資料的肩膀上，看得更高更遠／趙坤茂
【推薦序】想跟上資訊革命時代的多變世界，本書是你的敲門磚／張宗堯
【推薦序】大演算，是飽覽大數據與機器學習的最佳指南／謝孫源
【前言】機器學習早已融入你我的生活

第1章機器學習的革命
進入機器學習的世界／企業為何擁抱機器學習？
增加科學方法的馬力／十億個比爾．柯林頓
一則透過傳統攻防，二則透過網路之戰
我們將走向何方？

第2章大演算
從神經科學方面獲得的論證／從演化方面獲得的論證
從物理方面獲得的論證／從統計學方面獲得的論證
從電腦科學方面獲得的論證／機器學習專家與知識工程師
天鵝咬了機器人／大演算是隻狐狸還是刺猬？
什麼是危機所在？／一個不同的萬有理論
候選者還不夠格／機器學習的五大學派

第3章人類的歸納問題
約會，還是不約會？／「沒有免費的午餐」定理
啟動知識學習機／如何讓世界規則化
在暗黑和幻覺之間／你可以相信的準確性
歸納法是逆向演繹法則／學習治療癌症
二十個問題的遊戲／符號理論學派

第4章你的大腦是如何學習？
感知器的潮起潮落／物理學家用玻璃製造大腦
世界上最重要的曲線／在多維空間的爬山演算法
感知器的復仇／細胞的完整模型／更深入大腦

第5章演化：自然學習演算法
達爾文的演算法／探索與利用的困境
適者生存的程式／性交配行為是為了什麼？
培育天性／學習最快的人勝出

第6章貝葉斯牧師的教堂
運行世界的定理／所有模型都是錯的，但有些還是有用
從《尤金．奧涅金》到Siri手機語音行動祕書
一切都是相關聯的，但不是直接的／推理問題
學習貝氏的方法／馬爾可夫權衡事證
邏輯與機率：命運多舛的一對

第7章你就是相似的你
如果你能與我相匹配／維度的詛咒
平面上的蛇形分割線／攀登階梯
旭日東升，光彩奪目

第8章學習無師自通
物以類聚／發掘數據資料的形狀
享樂主義的機...

【專業推薦】

王國禎｜交大資工系系主任
林泰宏｜前臺灣微軟合作夥伴技術支援顧問
林蔚君｜亞洲大學副校長
張宗堯｜美商凱博數據創辦人／總經理
陳明義｜資策會技術長／大數據所所長
陳縕儂｜美國微軟研究所研究員
趙坤茂｜臺大資工系系主任
謝孫源｜成大資工系特聘教授兼系主任
簡禎富｜清華講座教授暨清華-台積電卓越製造中心主持人

「大至預測變化萬千的商業潮流的走向，到小至預知是否能成功約到心儀對象，都屬於《大演算》的範疇。本書作者以極盡生動活潑的闡述及例子，與讀者分享如何將機器學習演算法應用於日常生活中，甚至可以應用於學習治療癌症。」──交大資工系系主任王國禎

【國際好評如潮】

「作者多明戈斯專業與熱情筆觸，讓這本書極具可讀性。」──《新科學人》（New Scientist）

「《大演算》研究與統整了機器學習領域的五大主流技術……內容豐富，主題發人深省。作者透過適時深入淺出的巧妙介紹手法，讓我們很快汲取精髓觀念。」──《經濟學人》（The Economist）

「隨著『機器學習』和『大數據』經常登上頭條新聞，有關於這類的主題，不乏充斥炒作話題的商業書籍，以及還有一些過於技術導向的教課書，使得較難理解。對於普羅大眾來說，不管事從經理主管到大專院校學生，這是一本理想的書籍，真正展現了為什麼不用透過沉重的數學演算，就能明白機器學習如何運作。不同於其他書籍只是浮誇宣稱一個光明的未來，這本書實際上給你需要了解的知識，並且明白即將到來的變化。」──Google研究總監 彼得．諾維格（Peter Norvig）

「這是一本令人愛不釋手的書，由在這創新領域的領導專家所著。如果你想知道新世代人工智慧將如何改變你我未來的生活，就閱讀這本書吧！」──Google研究員、無人駕駛車發明人 塞巴斯蒂安．史朗（Sebastian Thrun）

「一開始便大膽主張所有知識都可以透過一個單一的『大演算』，從數據資料中分析推論得出，多明戈斯透過明快節奏的說明歷程，帶領讀者進入這華麗全新的機器學習世界。輕鬆的寫作筆法卻深具威信，多明戈斯是一位完美的嚮導，從書上你將會學到一切你需要知道關於這個令人振奮的領域，以及有關科學與哲學的大量闡釋。」──微軟研究院首席研究員、《6個人的小世界》（Six Degrees）與《為什麼常識不可靠？》（Everything Is Obvious）作者 鄧肯．華茲（Duncan Watts）

「電腦科學的聖杯就是一種可以教導自己學習的機器，如同我們人類一樣，從經驗中獲取知識。機器學習可以幫助我們從事每一件事情，從治療癌症到建立人形機器人。佩德羅．多明戈斯揭開機器學習的神祕面紗，並充分展現未來是多麼令人驚奇與振奮人心。」──《賈伯斯傳》（Steve Jobs）作者 沃爾特．艾薩克森（Walter Isaacson）

「機器學習是一種最具變革性的技術，將在未來15年裡，塑造人類的嶄新生活。這是一本必讀之書──一個用詞大膽、文辭優美的新框架，帶領我...

機器學習的革命




我們生活在演算法的時代。只有一、兩代人之前，提到演算法（algorithm ）這個詞，對大多數人來說，腦袋會是一片空白。時至今日，演算法已儼然普及在文明的各個角落。它們被融入日常生活中，不只存在於智慧手機、筆記型電腦裡，而且普及在汽車、房屋、電器，以及玩具中，就連你的銀行也是一個龐大複雜的演算法，讓人們可以到處輕易的使用銀行服務。演算法可以安排航班，然後駕駛飛機；演算法還可以運營工廠、貿易與貨物路線配送、現金收入，以及保存紀錄。如果每個演算法戛然停止運作，那絕對就像我們所知的世界末日一樣。




進入機器學習的世界




每一個演算法都有一個輸入和一個輸出，亦即數據資料進入電腦後，演算法會利用這些資料去做它該做的，然後輸出結果。機器學習則是扭轉這種模式，亦即數據資料與預期結果輸入後，機器學習會將一個演算法轉變成另一個後，結果輸出一個演算法。機器學習演算法也被稱為學習器（learners），是一種演算法，可以推演產生另一個演算法。有了機器學習，電腦可以自己編寫程式，所以我們不必再對電腦逐步下達指令了。




哇！




電腦會編寫自己的程式。如今這是一個強大的觀念，甚至有點嚇人。如果電腦開始自己編寫程式，那我們將如何控制它們呢？原來我們可以把它們控制得很好，如同我們將會看到的。但針對這一點，有一個更直接的反對意見：也許這聽起來太好了，以至於無法成真。當然編寫演算法需要智慧、創造力和問題解決的能力，這些事情不是電腦沒有具備的嗎？機器學習如何區別得出是否為不可思議的魔法想像呢？實際上，截至今天，人們可以編寫許多軟體程式是電腦無法學會的。但是更令人驚訝的，電腦可以學會許多程式是人們所不能編寫的。我們知道如何駕駛汽車和辨讀筆跡，這些技能是潛意識的，但我們無法向電腦解釋，如何去做到這些事情。然而，如果我們給予每一個學習器足夠多的範例，它將愉快地找出如何做自己，屆時我們就可以放手讓電腦自動學習運作。這就是郵局如何利用學習器讀取郵政編碼（zip）和為何路上已經出現自動駕駛車了。




或許機器學習的強大魅力，透過低科技（low-tech）的農業（farming）比喻，是最恰當的詮釋。在一個工業社會中，產品在工廠製造，意味著工程師必須確切地弄清楚究竟是如何從它們的零組件組裝產品、如何製造生產這些零組件等，從頭到尾都與原物料有關，而且整個過程有許多工作必須進行。電腦則是有史以來發明過最複雜的產品，從設計它們，到工廠大量製造它們，以及運行在電腦上的軟體程式是相當繁重的工作。但還有另一種更古老的方式，這種方式可以讓我們取得一些需要的東西，藉由大自然製造生產它們。在農業時代，我們播下種子，並確保有足夠的水分和養分，最後收割這些種植的作物。技術為什麼不能更像這樣呢？它是可以的，而且這是機器學習的承諾。機器學習演算法就像種子一樣，數據資料是土壤，而學會的軟體程式就是種植的作物。機器學習專家就像農夫，播下種子，辛勤的灌溉土壤並加以施肥，同時密切關注作物的健康，但在其他方面就不必特別介入了。


每當我們看到「機器學習」這個字眼，兩件事情立即浮現出來。第一，我們需要越多的數據學習資料，機器才能學習到越多。如果沒有數據資料就沒有什麼可以學習。一定要有大數據（Big data）嗎？因為透過大數據可以讓機器獲得更多的學習。這就是為什麼機器學習已經出現在每一個地方，透過指數倍增、堆積如山的數據資料，推動了機器學習的迅速發展。如果機器學習是某件你在...