ฝัง
- เผยแพร่เมื่อ 27 ส.ค. 2024
- 粵語版： • 【粵語】機器學習實作 | 用Excel輕鬆建...
* 加入成為會員（等級三）可以獲得完整Excel檔案。
現在世界已經進入了人工智能的新時代，如果你還對人工智能、機器學習等一臉茫然，小心被時代淘汰啊！不過別怕，我會用極之顯淺易懂的方式，通過Excel示範實作，為你撥開迷霧、揭曉真相！這個教程是我特別精心設計的，一切講清講楚，毫不含糊。你只需要有小學程度的數學基礎，就一定能夠明白，不需要懂得編程、微積分、統計學等專門知識。而且，當你學會之後，絕對可以應用在日常生活和工作上。
03:32 神經網路模型結構 (Neural Network model architecture, 原理principle, 數據擬合 data fitting, 最優化optimization)
09:04 實作一：預測公司盈利 (可調參數 trainable parameters, 訓練回合 training epoch, 梯度下降法 Gradient Descent)
23:48 實作二：預測女神好感度 (數據標準化 Data Standardization, 學習速率Learning Rate)
------------------------------------------------
相關鏈接：
📚 可找到相關書籍的網購平台
KingStone 金石堂 tinyurl.com/yh...
Yahoo 奇摩購物中心 tinyurl.com/yj...
Rakuten 臺灣樂天市場 tinyurl.com/yg...
💚 捐款贊助《解密遊俠》
paypal.me/wenl...
![ถามตรงๆ กับ อาจตุพร ทำไม ประเทศไทย ใครเป็นนายก ก็โดนด่า พอออกเเล้วคนคิดถึง!!?? l [Nickynachat]](http://i.ytimg.com/vi/3YFLMXxBGAs/mqdefault.jpg)
任何一條神經網路也是一個多變數廻歸分析，也是統計學迴歸分析的一環。我在40年前攻讀數理統計就涉及這些人工智能及多變量（含時間變量）的廻歸分析（向量/ 矩陣/ 線性代數/ 機率/ 取様….）。以便對一些事件做出精准智能的預測。所謂自我學習也只是用後面收集或模擬出的更新的資料去修正原先迥歸分析的參數而已。40 年前人工智慧就是數理統計的一大課題。馬斯克說得一點都沒錯-目前的人工智慧全部建立在數理統計的基礎上。從那時開始就不斷有各行各業的數據分析專業人士來我們數理統計這參與並學習迥歸分析。他們回去後就不斷建立了屬於他們行業內的多條神經網絡（行業內的迥歸模型）。在那時從事這類研究工作的數理統計的博士生全部被限制在晚上12 時過後才能使用國家級的超級計算機，否則我們兩三𠆤人一上線全部就大當機。我們那時也發展出一套類似挖礦機的方式，利用所有大量閒置的𠆤人電腦來提供其微小的算力，進而整合這些龐大的所謂分散型算力，但受限那時網路的不發達，很難把規模擴大。
近幾十年隨計算機能力不斷提升，目前市面AI 所謂大模型，主要是著力於面對”服務大衆需要”的所謂生成式/ 語言等等的智能協作服務。就是把百行百業各個領域等等數以千萬千億計資料進行迥歸模型的建立及修正（所謂自我深度學習）而形成龐大的神經網絡。因此也不用太誇大眼下的AI , 這些理論早在40 年以前都已建構了理論基礎，而智能恊作早在各專業領域都已發展的非常完善，只是因過去算力不足只能在各自專業領域進行中小規模（變量數較少）的神經網絡建構。例如氣象預報就是早期最明顯的利用氣象專用超高速大電腦發展為成熟預測能力（AI)的例子，股票買賣決策也是智能恊作(AI/CIC)的典型。”把簡單數學上使用即存的規模資料或電腦模擬資料進行所謂的㢠歸分析/模型建構並藉此模型做可行的智能預判或恊作，包裝成醫學上複雜尚未完全掌握的神經網路的機制及作用原理”，不但瓢竊了數理統計在AI 發展的絕對地位，實在也是在誤導整𠆤AI 的發展。也會造成眼下一般人的過度期待和焦慮。應將AI 改稱作” CIC:Computer Intelligent Collaboration , 電腦智能恊作， 更為恰當。
何謂知識？ 由經驗總結後（ 抽象具體化） ，就形成知識（用數字分析的表達方式就是去建構知識模型）。 形成知識後就可複製/ 傳承/ 預測/ 擴展。因此目前的AI 發展，就是在循人類文明發展至為重要的其中的一𠆤過程-只是採用了數位化的方式，將經驗知識化了。
目前的AI 只是以數理統計為手段及方法論，以資訊及計算計工程為工具，進行數位型的經驗知識化的過程。人類有許多其他不同型態非常複雜的知慧，這種僅止於知識數位化的智慧， 其實離人類多型態的智慧還有非常巨大的距離。
另外， 眼下AI 服務非專業大衆的大模型的各種數學理論及所謂的機器學習（參數修正）及深度學習（參數及變數的多層次增加及修正）。 早在40 年前相應的數學理論都已完備（但落實到實際應用上，如何解1 億 by 1 億的聯立方程組( 行列式計算）， 這需要極其龐大的平行計算能力，在那時期是完全不可能的） 。
其實AI 最重要最關鍵的是各行各業各領域的專家組，而不是這些AI 搞編程的公司（ 他們只是依需求用已完善的數學統計理論加以電腦編程後，利用巨大算力去幫忙找出合適的模型並不斷予以完善）。
只有各行各業各領域的專家組才知道在茫茫大海中的資料及訊息中，那些因素才是其所涉領域的関鍵變數，那些變數資料才是可做為他們收集分析建立模型的。例如氣象學/經濟學/股票買賣智能決策/ 醫學/ 藥學/ 農業生產/ 基因工程/ 化學工程/自動駕駛/飛彈防空系統/圖像識別及處理/ 建築結構力學/小樣品模擬模型（核爆/飛機失事）………..等等。
此外服務大衆的語言學也是極度複雜的一門學課，其可能的變量變因會高達幾千萬𠆤， 再加上多層級過濾學習修正的模式，因此其涉及的變數算力就以億計， 所以才稱做大模型。 要取那些因素進行那一層分析，主要都是語言學家在主導。
而這些眼下的AI 應用的公司， 只是利用已發展完備的數學統計理論在不同領域專家組的指導下，去有效的進行數拈收集整理分析並進而建立一個特定領域的模型，作為該特定領域的電腦智能恊作工具。
另外面對服務大衆的生成式服務，也是要面對大衆各種不同的需求，因此其所需處理消化的資料也是天文數字的龐大，也要各行各業領域專家介入協助指導進而形成並建立大模型。
其實生成式AI 可以理解成升級版的超級搜索引擎，傳統的搜索引擎，用関鍵字/詞，從數據庫內匹配/找出並羅列出可能所需資訊，現在進步升級到如果你給出更具體規範的需求，系統就能從數據庫內拼湊出並提供更完整的接近最終需求的服務內容。這只是把過往已存在的數據庫（已長年經各行業領域專家組維護並梳理過的）更完善的整理優化後予以呈現。而這𠆤更完善的過程使用了大量多層次的統計數字分析的手段， 把這個完善化的過程誇大的比擬成人類的思考及智慧（其誇大的目的-圈錢），將造成極大的誤導。
其實生成式大模型， 就是用即存服務於大衆的大型搜索的資料庫，如google ， Bing 等等，以數理統計為核心，結合資訊工程及硬體工程為工具，而進行更貼切於使用者需求的優化過程和結果。所以生成式大模型最終會回到過往提供搜索服務的大型公司的對決。
因此CIC 或是AI 是以特定領域專家組為主導，數理統計為核心，資訊工程及硬體工程都是配合的工具而已。 這樣的發展才會健康/ 不浪費/ 高效率/ 高精確度。
但目前的發展方式， 以資訊工程及硬體工程來主導開發服務大衆的大模型，只是因為這方面天文級別的龐大算力需大資本投入，這是一𠆤比較理想的快速盈利回報的營運方式，但這種情況就會造成眼下嚴重的誤導及錯誤的認知，沒有效率及喪失精準度，甚至如當下出現諸多以提供算力及編程服務的所謂AI 公司出面圈錢的亂象。
其實眼下的蓬勃發展是假象。 不管怎麽發展，從事這𠆤領域研究工作的人不能不具備相關數理統計的知識，也不能缺少專家組對資料的專業的選定/收集/整理。而資訊程序員和電腦只是工具。特別在早期各專業領域內的中小模型的智能發展和恊作，編程只是工具。但當算力上來後，服務大眾的類搜索引擎的生成式及語言大模型，就變得可行了， 但不管怎樣可行，仍是以數理統計為核心，更龐大的專家組仍是關鍵。 只是這種大模型下算力變成稀缺的主要投資成本， 使得這些編程及硬體人員不得不高舉這𠆤旗幟來圈錢， 如果這些編程及硬體人員拿不出這些算力（如果由國家直接投資），他們在整個AI(CIC) 的發展上，根本算不上什麼角色。但這一輪由算力提供方來主導的AI 發展，將會走得很偏，而且會很快撞牆。
未來可能的發展模式：
1） 資訊及硬體工程提供集中算力設備及模型編程的開放平台，供各領域的專家組使用。
有點像當下晶片產業，各應用領域產業由專家組組成公司後，進行各領域的智能開發和應用（如晶片應用的design house，聯發科，海思等 ) , 而算力的提供及收費則由資訊及硬體工程提供（這需要密集资本投入，甚至國家力量投入，如台積電）。
2） 由於網路的高度發展， 另外一種提供龐大算力的方式，是由巨量萬家萬戶閒置PC 𠆤人電腦參與分散型算力的提供，並予以整合，這也是需由資訊及硬體工程來實現的。
精銳
覺得目前最好機器學習解說，謝謝 ~
很棒，最基礎的功能一步步計算和解惑，沒有為了流量含糊帶過或掉書袋弄一堆公式畫面，也沒有偷懶用 EXCEL 外掛元件又不解釋 (剛才在其他頻道看到引入整個 EXCEL 外掛又沒解釋的影片，整個傻眼) ，真心真意手把手教學，由淺入深容易學習，讚👍
比起直接用程式來說明各個數學技巧還有數據統計的觀念,您的講解和展示方式更容易理解,第一部分其實已經有將偏微分概念表達出來了,太棒了
多謝讚賞！這內容我確實是花了不少心思。
超詳細！比聽一堆理論還清楚👍
非常清楚
這是講解得最清晰的神經網絡基礎案例，給遊俠點贊
謝謝美言。本片確是我嘔心瀝血之作！
深入淺出 很厲害❤
非常感謝遊俠製作這篇視頻，根本是教材等級
超好懂 目前看過最完整的教程
感謝分享！ 希望多出一些類似的❤
感謝鼓勵！XD
所有关于神经网络的教程这篇说的我最明白
有水平！
謝謝！這正是我一直想用Excel來作Deep Machine Learning...請继續用Excel 來產生更Advanced AI courses. Thanks, John
感謝你的大力支持，我開心極了！嗯，從數據顯示Excel教學片確是比較受歡迎，我會朝這方向多做一些。多謝建議！
講得太好了，不推不行
勾起我對更深入了解的興趣了！謝謝你
很有趣!! 講解厲害
謝謝！
Excellent
很受启发
非常好~~
牛
這個架構可以視為沒有隱藏層單一輸出元的神經網路。這種架構的神經網路，其實就等同於多變量線性迴歸的問題，不需要迭代求解。
其實是的！被高手看穿了 :p
但不失為了解神經網路的高效演示。
谢谢！
nice
感谢大佬。另外请教一下如何在Python 中实现
Google一下「python single neuron」可以見到不少學習資源，不妨看看
@@decrypt-ranger 好的，期待看到你制作的关于neural network 的Python Tensorflow的系列教程。因为你讲的很仔细。谢谢
这里解释了Loss Chart。那么Accuracy Chart是什么呢？我在有些AI图像识别的程式有2个Chart。
Accuracy大致上是Loss的相反：Loss高則Accuracy低，Loss低則Accuracy高，但不是絕對，兩者的定義從根本上不同。Loss是給電腦看的，Training要靠它；Accuracy是給人看的，但Training不能靠它，因為它不是連續函數。
作者tansfromer用到股票地方想过没有。
用Transformer看股最近都很火，我都會試一下
第一個是standardization 第2個是normalization 嗎?
嗯？這裏沒有介紹normalization啊
請問Python in Excel裡面還有沒有語法糖的語法，如果有那真是太好用了！
不太明白你的問題... 何謂「語法糖的語法」？
有沒有用EXCEL完成寬度2個神經元，深度2层神經元的範例？
Subscribed !
28:32 爲什麽用的是母體標準差？
嗯？不太明白。或者你心目中是用甚麼標準差呢？
@@decrypt-ranger 非統計學專業，但一般來講，不是都用樣本標準差嗎？
還有，你的教程真的數一數二有趣，也跟著實作了一下，完全沒有想過能在Excel上摸一個模型出來
噢，原來你是指兩種標準差的算法。其實兩種算法應該都沒差，只要全都用同一種算法就好了。
請問不管LR怎麼調低 Average 都無法降低怎麼辦
其中一個可能是數據分佈太不均。注意這模型只對線性分佈有效。
@@decrypt-ranger了解 謝謝
如果Date和b change 的Average一直出現E的情況 是哪個部分有錯呢
你的E後是帶負還是正？若是負，正常。若為正，請仔細檢查每一步。
@@decrypt-ranger 是負的 這樣會影響最後的結果嗎
@@user-xb8cr3ux3y 負即是接近0，平均值接近0很正常呀，不會對結果有任何壞影響。
@@decrypt-ranger了解 謝謝
剛加入memeber, 請問要如何獲得這個video的excel檔案?
歡迎！可以email我。但你的會員等級是「仁俠」，必須要「狂俠」才能獲得檔案。
請問
假設LR設0.5
Average變大
LR設0.4
Average剛開始正常變小但到後面反而變大了
LR設0.3
Average卻正常變小了
這樣是有哪邊錯了嗎
這樣看來LR 0.3才是合適，0.5太大，而0.4在臨界位所以不穩定。
@@decrypt-ranger了解 謝謝
您好，感謝您的教學，從範例1與2看起來error都只有一個，假若今天輸出(範例中的y)有25個這樣是否就是要做25次predicted y呢?
不，終極指標仍只能有一個。若有25個y，應將25個error加起來。
Error0.04怎么来的
0.04是例子，是data的擁有者或管理者事前已知的error。
么马达~
有沒有用EXCEL 完成寬度2神經元，深度2神經元的範例
沒有簡單的範例。不引用微分方程是沒可能實現模型訓練的。
說好沒有專業術語 結果都是統計專業😅
頂多也就只有average和standard deviation啦，也不算專業吧😅
這個視頻可以作爲一個對AI啓蒙的介紹，但是真的要運用，還是一定要用程式語言，現在比較通用的是 Python，利用 Excel 建立人工智能模型的，只能用作初學者教學。 😜
高手