你知道機器學習(Machine Learning)嗎？ 機器學習是一種讓電腦自己學習的技術，就像我們學習新事物一樣，透過不斷地觀察和練習，讓電腦逐漸變得越來越聰明。但要讓機器正確地學習，就需要一個很重要的技術，那就是 Data Labeling。
甚麼是數據標記 (Data Labeling)?
Data Labeling（數據標記）是將原始數據（例如圖像、聲音或文本）加上標籤或標記，以便訓練機器學習模型。這樣機器學習模型就可以像我們一樣學習，從標籤中辨認出正確的資料。
為什麼機器學習模型需要 Data Labeling 呢？
Data Labeling就像我們學習新事物時需要老師或家長給予指導一樣，將資料加上標籤，學習辨別哪些是正確的，哪些是錯誤的。這樣機器學習模型就可以從標籤中辨認出正確的資料，並從中學習。
例如，當我們要讓機器學習辨認貓和狗的圖片時，就可以將圖片加上標籤，標示哪些是貓、哪些是狗。這樣機器學習模型就可以透過學習這些標籤，從而更準確地識別相似的圖片。
如何進行Data Labeling？
通常需要人工參與，因為機器還無法完全精確地進行這種標記工作，所以需要有人類專家來進行精確的標記。例如，當我們要標記圖片中的動物時，專家可以逐一標記出每個動物的位置和種類，讓機器學習模型可以從中學習。
Data Labeling 在現今的社會中扮演著非常重要的角色。許多公司和機構都在進行大量的 Data Labeling 工作，以提高機器學習模型的準確性和效率。例如，自動駕駛汽車需要透過 Data Labeling 來識別路標和交通標誌，以及辨認路上的車輛和行人等。
數據標記(Data Labeling)過程中常見困難
在執行 Data Labeling 的過程中，我們常常會遇到一些困難，這些困難可能會影響機器學習模型的學習效果，因此需要我們仔細地處理。
常見的困難：標記的一致性
其中一個常見的困難是標記的一致性。意思是多個標註者在對同一份數據進行標註時所得出的標註結果是否相同或者非常接近。下面是一個例子：
假設我們需要對一組電子郵件進行分類，判斷它們是“垃圾郵件”還是“非垃圾郵件”。我們請了三個標註者對同一組電子郵件進行標註，得到了以下結果：
標註者 A：將其中 10 封郵件標註為“垃圾郵件”，20 封郵件標註為“非垃圾郵件”。
標註者 B：將其中 12 封郵件標註為“垃圾郵件”，18 封郵件標註為“非垃圾郵件”。
標註者 C：將其中 15 封郵件標註為“垃圾郵件”，15 封郵件標註為“非垃圾郵件”。
在這個例子中，我們可以通過計算標註者之間的一致性來確定標註結果的可靠性。如果三個標註者的標註結果非常接近，那麼我們可以認為這份數據的標註結果是比較可靠的。相反，如果三個標註者的標註結果差異很大，那麼這份數據的標註結果就不太可靠，需要進一步檢查和糾正。
然而，如果不同的人使用不同的標記方式，例如有些人將“垃圾郵件”標注為”騷擾郵件”或”宣傳郵件”，這樣怎樣糾正也沒有用，導致機器學習模型學習到不一致或錯誤的知識，進而影響其準確性和效率。
常見的困難：標記的複雜度
另一個常見的困難是標記的複雜度。就像在畫畫時，當畫面越複雜時，需要更多的時間和技巧才能完成一幅完美的畫作一樣，Data Labeling 中也可能會遇到一些複雜的標記需求，例如在醫學圖片中標記的腫瘤位置或細胞變異等細節，這需要標記人員有更高的專業知識和技能。如果標記人員沒有足夠的專業知識和技能，可能會導致標記不完整或不准確，進而影響機器學習模型的學習效果。
常見的困難：標記的成本
還有一個常見的困難是標記的成本。Data Labeling 中也需要支付一定的費用來進行標記，當中單以人工成本已經可能會讓企業或研究者承受不起，進而影響機器學習模型的學習效果。
雖然執行 Data Labeling 有許多困難，但它對於機器學習模型的學習效果非常重要。透過標籤或標記原始數據，讓機器學習模型可以像我們一樣學習，從中學習出正確的資料，進而提高其效率和準確性。就像我們需要老師或家長來給予指導，告訴我們哪些是對的，哪些是錯誤的，讓我們可以學習到正確的知識一樣。透過 Data Labeling，機器學習模型可以更加準確地辨認出相似的圖像、聲音或文本，讓我們的生活更加便利和舒適。因此，我們需要仔細地處理 Data Labeling 的困難，採取合適的策略來解決它們，讓機器學習模型可以從中學習到正確的知識，進而提高其準確性和效率。
Data Labeling如何應用在股票上？
在股跡無數的AI實驗中，其中一個實驗是對股票技術形態進行標記，以識別其中一些歷史股王的「杯型帶柄」型態。以下是簡化後的步驟：
- 收集股票歷史價格數據。
- 請多個標註者對價格數據進行標註，標註結果可以是「杯型帶柄」或「非杯型帶柄」等。
- 計算標註者之間的一致性，以評估標註結果的可靠性。
- 分析標註結果，確定該股票是否出現了「杯型帶柄」形態。
- 再標註出現了「杯型帶柄」形態並在突破後升幅達100%以上的股票。
- 訓練不同的機器學習模型。
理論上，通過這種方法，我們可以識別出價格走勢中的近似歷史股王的技術形態，並根據該技術形態來決定是否投資該股票。然而，在實踐過程中，這種方法面臨不同的困難和阻礙，將會與大家進一步探討。本文先為讀者打好基礎，將來再逐步帶領大家探索人工智能這個引人入勝的領域。
