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。