規則為主的方法(rule-based method)是什麼? 與機器學習(machine learning)的差異為何?它們的應用場景是在哪裡?
在歷史上是由專家系統演變到機器學習為主的方法，專家系統是以規則為主(rule-based method)的方法，是在解決問題的時候，依照各個領域的專家，擬定相對應的規則後，才能解決問題。但是在某些情況下規則擬定是不容易的，因此，這樣的方法並不是一個很全面的解決方法，而之後隨著電腦運算量的提升，以及數據量的累積，機器學習就逐漸變成了相當熱門的解決問題工具。原因是因為機器學習可讓機器從數據當中自動找出規則，而不用人為給定，在數據量充足的情況下，確實對於解決問題來說提供非常好的解決方法。讓大家面臨到束手無策的領域裡面，仍然可以找出一套方法來解決問題，因此，又稱為是一個賦能的技術。
雖然機器學習是一個在現代相當熱門的技術，不過專家系統(以規則為主的方法)並非完全被汰換掉，事實上，根據不同的問題類型，應該要選擇適當的方法，才能夠對症下藥，在解決問題的時候，得到非常好的成效。
何謂規則為主的方法(rule-based method)?
規則為主的方法(rule-based method)是從觀察事物運作的原理或現象，像是觀察某個現象的輸入與輸出之間的關係，提出規則來描述事物的運作模式，有了這種描述方法後，我們就可以從輸入預測輸出。
何謂機器學習(machine learning)?
機器學習方法(machine learning)是從數據資料中讓機器看過許多輸入與輸出之間的關係後，自行學習規則，就可以從輸入預測輸出。
範例說明
影像辨識(辨識汽車)
舉例來說，我們以影像辨識問題為例，假設我們的問題是要從圖片中辨識出汽車，在規則為主的方法，就會提出辨識規則，像是如果圖片上偵測有四個輪子，一個車體，就視為這張圖片為汽車。而機器學習的方法，則是收集大量的汽車圖片，將圖片設定為輸入，同時要賦予這個圖片標籤為汽車，標籤代表的是輸出，也就是標準解答，機器就可以從數據當中，了解圖片與標籤之間的關聯性，進而可以發展出辨識汽車的能力。
回歸問題(股價預測)
以股價預測的問題來說，規則為主的方法，輸入為歷史股價與新聞，此時會提出一些規則來作數值上的調整，像是如果某公司新聞為正面新聞，就根據歷史股價，再加加x元，就是未來股價的結果。反之，如果是負面新聞，則是根據歷史股價再減x元。機器學習的方法，則是在輸入部分，也就是資料的特徵，會給定t時刻下的歷史股價以及新聞，在輸出部分，也就是資料標籤，會給定t+1時刻下的未來股價，讓機器從數據當中學習t時刻股價與t+1時刻股價之間的關聯性。
物理應用領域(力學)
在物理應用領域上，假設我們要了解受力與加速度的關係，以規則為主的方法，其實就是根據牛頓第二運動定律F=ma，就可以得到受力與加速度之間的關係，而且因為這樣的規則是物理的定律，而不是來自於假說理論，在這種規則下的描述就會很穩固。而機器學習方法，則是在資料特徵部分要設定為受力，資料標籤部分設定為加速度，讓機器從數據歸納受力與加速度之間的關係。
規則與機器學習的特性
從我們上述的範例，規則為主的方法需要提出具體且有效的規則，才會對問題有好的描述;機器學習方法則是要有數據，以及給定資料特徵與標籤，才能從數據歸納出特徵與標籤的關係。
規則方法的先決條件是，須提出具體且有效的規則，但是在某些情境下，很多的經驗是可以意會，但難以定義出規則，像是以倒車入庫這件事情，有深厚駕駛經驗的人在面對不同的場地與汽車，都可以有好的倒車方式，但他們很難去教一個新手，在面對到不同場景時，有一個通用的規則，讓他們學會。
機器學習方法的先決條件是須要有數據，才能有機會歸納出輸入與輸出之間的關係，然而在某些情境下數據是不易取得的，像是要預估電動車電池的壽命，收集這些電池壽命的數據，就需要耗費5~10年以上的時間，這種需要長時間才能獲得數據的情況，數據是難以取得的。
結論
綜合以上所述，我們可歸納出以下三種情境，根據不同情境採用適合的方法，問題解決上才會有好的成效。
情境一就是在數據不易取得的情況下，像是剛剛提及的長時間才能獲得數據，在數據量缺少的情況，難以訓練機器學習模型，所以這時候如果有具體有效的規則，就可以採用規則為主的方法。
情境二就是數據量充足的情況下，而且沒有具體有效的規則，則採用機器學習的方法，讓機器自動歸納輸入與輸出之間的關係。
情境三如果數據量充足同時也有具體有效的規則，就可同時採用規則為主與機器學習方法，針對同一個問題，應用兩種解決方法，來作綜合的考量，讓問題解決上達到相輔相成的效果。
[相似文章]:
[參考資料]:
2.機器學習與人工神經網路(二)：深度學習(Deep Learning)
[類神經網路基礎系列專文]:
1.類神經網路(Deep neural network, DNN)介紹
3.類神經網路—啟動函數介紹(一): 深入解析Relu與Sigmoid函數：如何影響類神經網路的學習效果？
4.類神經網路—啟動函數介紹(二): 回歸 vs. 分類: 線性函數與Tanh函數之原理探索
5.類神經網路—啟動函數介紹(三): 掌握多元分類的核心技術：不可不知的softmax函數原理
6.類神經網路—啟動函數介紹(四): 如何選擇最適當的啟動函數？用一統整表格讓您輕鬆掌握
8.類神經網路—反向傳播法(一): 白話文帶您了解反向傳播法
10.類神經網路—反向傳播法(三): 五步驟帶您了解梯度下降法
11.類神經網路—反向傳播法(四): 揭開反向傳播法神秘面紗
12.機器學習訓練原理大揭秘：六步驟帶您快速了解監督式學習的訓練方法
13.類神經網路—反向傳播法(五): 用等高線圖讓您對學習率更有感
[機器學習基礎系列專文]:
1.機器學習訓練原理大揭秘：六步驟帶您快速了解監督式學習的訓練方法
[類神經網路延伸介紹]:
1.卷積類神經網路(Convolution neural network,CNN)介紹
2.遞迴類神經網路(Recurrent neural network,RNN)介紹
[ChatGPT系列專文]:
