捨去艱澀專業用語，中學生也能讀懂，從迴歸分析、機器學習、深度學習，到人工智慧的科技演進
「AI 對你的企業有什麼意義？看這本書就知道。」人工智慧即將進入低價年代，工作流程、商業模式都該改變。本書《AI經濟的策略思維》用經濟學的分析架構，看穿AI浮誇虛假的炒作，打造屬於自己的最佳策略選擇。
更多數據、更好的模型，以及性能更強的電腦，使得近年來機器學習的進展得以改善預測能力。蒐集和儲存大數據的進步也提供新的機器學習演算法原料。在更適合的處理器發明下，新的機器學習模式明顯比以往的統計方法更有彈性，也產生更好的預測結果，好到有些人又重新稱資訊工程這個分支為「人工智慧」。
迴歸分析
在機器學習之前，資訊處理的核心方法是一種統計技術，稱為「迴歸分析」。迴歸分析是做什麼用的？它是根據過去情況的平均值找出預測值。舉例來說，如果你只看上一週每天的天氣情況來判斷明天是否會下雨，最理想的推測大概是平均值。如果前7 天有2 天下雨，你大概會預測明天下雨的機率是七分之二左右，或是說29％。我們對預測的認識，大多就是藉著建立可納入更多背景數據的模型，讓我們計算出的平均值更好。
我們的作法是利用所謂的「條件平均」。舉例來說，如果你住在北加州，對過去的認識大概就是下雨的機率視季節而定：夏天低，而且冬天高。如果你觀察冬天在任何一天下雨的機率是25％，夏天則是5％，大概不會評估明天下雨的機率是平均值15％。為什麼？因為你知道明天不是冬天，就是夏天，所以你會根據條件來調整自己的評估。
後來，多變數迴歸分析（multivariate regression）提供一種有效率的方法，在不需要計算數十、數百或數千個條件平均的情況下考量多種條件。迴歸分析是取得數據，並努力找出能將預測錯誤降到最低的結果，使所謂的「適合度」（goodness of fit）達到最大。
機器學習
機器學習和迴歸分析的一個重要差異，就是開發新技巧的方法。
機器學習將重心放在實務運作，讓創新者有更多的空間去實驗，即使它們使用的方法所產生的估計值平均下來會不正確，或有偏差。在利用豐富的數據與過去十年出現快速電腦的情況下，這種實驗的自由空間使進展突飛猛進。
所以什麼原因讓機器學習成為革命性的運算科技，甚至能貼上「人工智慧」的標籤？有些情況下，預測好到可以直接取代以規則為主的邏輯。
有效的預測會改變電腦程式設定的方式。無論是傳統的統計方法還是「若則」的演算法，在複雜的環境下都無法良好運作。
