iPAS-初級AI應用規劃師-機器學習基本原理
什麼是機器學習？從基本原理說起
機器學習（Machine Learning）是一種讓電腦從資料中學習並改進表現的技術，而無需人類逐一編寫具體指令。想像一下，你教一個小孩認識「貓」和「狗」，不是直接告訴他每張圖片的答案，而是給他看許多例子，讓他自己找出規律。
這個想法最早由Arthur Samuel在1959年提出。他開發了一個國際象棋程式，通過反覆對弈，讓程式自己學會更好的下棋策略。後來，Tom M. Mitchell在1997年的《Machine Learning》一書中給出了經典定義：「如果一個電腦程式能從經驗（E）中學習，針對某些任務（T），並以性能（P）來評估，當經驗（E）增加時，它在任務（T）上的表現也隨之提升，這就是機器學習。」
這個定義包含三個關鍵要素：
- 經驗（E）：資料或互動，例如圖片、交易記錄。
- 任務（T）：具體目標，例如分類圖片或預測房價。
- 性能（P）：衡量標準，例如準確率或錯誤率。
機器學習的四大類型：
1. 監督學習（Supervised Learning）
監督學習就像有個老師在旁邊指導。它使用帶標籤的資料（輸入和正確輸出）來訓練模型，讓模型學會預測或分類。例如，給模型看標記為「垃圾郵件」或「非垃圾郵件」的電子郵件，讓它學會分辨新郵件，精度高，但需要大量標記資料，成本不低。
- 訓練步驟：
- 標記訓練資料並定義輸出變數。
- 將資料用於演算法訓練，學習輸入與輸出之間的關聯。
- 訓練好模型後輸入新資料，模型即可預測輸出變數。
- 使用時機：
- 當擁有已分類的資料，並希望 AI 系統能夠學習輸入與輸出之間的關係，以對新資料進行分類或預測時。
- 應用場景：
- 分類：支持向量機（SVM）用於分類識別垃圾郵件。
- 回歸：線性回歸（Linear Regression）預測房價。
2. 半監督學習（Semi-supervised Learning）
半監督學習是一種監督學習的折衷方案，結合少量標記資料和大量未標記資料來訓練。當標記資料稀缺時，它假設未標記資料也有一定結構，從而推廣學習，可降低標籤成本，但效果取決於未標籤資料的品質。
- 訓練步驟：
- 標記部分資料。
- 標記資料用於訓練模型，未標記資料則增強模型性能。
- 訓練好的模型可開始運用於新範圍。
- 使用時機：
- 當標籤資料少，但無標籤資料充足時。
- 應用場景：
- 文本分類：自我訓練（Self-training）用少量標記文章分類大量未標記內容。
- 圖像識別：生成對抗網絡（GAN）提升少量標記圖像的模型性能。
3. 無監督學習（Unsupervised Learning）
無監督學習沒有標籤資料，目標是發現資料中的隱藏模式。例如，把顧客分成不同消費群體，但事先不知道有哪些群體，優點是無需標記，但結果需要人工解釋。
- 訓練步驟：
- 提供未標籤的資料給演算法。
- 演算法自行推斷資料的結構。
- 演算法識別出類似屬性的資料群組，提供分群結果。
- 使用時機：
- 當不知道如何進行分類，或是想發掘不同分類的方法時。
- 應用場景：
- 聚類（Clustering）：K-means Clustering將資料分成若干組（群集），使得同一組內的資料相似，而不同組之間的資料差異較大，例如將顧客分為不同消費群體。
- 降維（Dimensionality Reduction）：自動編碼器（Autoencoders）資料可視化（如PCA），降維的目標是將高維度資料（包含許多特徵）簡化為低維度表示，同時保留最重要的訊息。這在日常生活中常用於資料壓縮、可視化或提高處理效率。
4. 強化學習（Reinforcement Learning）
強化學習模仿人類試錯學習。模型（代理）與環境互動，根據行動結果獲得獎勵或懲罰，目標是最大化長期收益，可適應動態環境，但訓練過程可能不穩定。
- 訓練步驟：
- 演算法在環境中採取行動。
- 模型會接收到獎勵或懲罰。
- 演算法優化一系列的行為，目標是最大化可獲得的獎勵。
- 使用時機：
- 當任務需要在動態環境中進行交互式學習時。
- 應用場景：
- 遊戲：Q學習（Q-Learning）AlphaGo學習圍棋。
- 機器人控制：深度Q網絡（DQN）學習抓取物體。
機器學習的實現過程：從資料到模型
- 資料預處理：清洗資料、處理缺失值、標準化特徵，確保資料品質。
- 模型選擇：根據任務（分類或回歸）和資料選模型。
- 訓練：用資料調整模型參數，最小化誤差。
- 評估：用測試資料檢查模型性能，避免過擬合。
- 持續學習：部署後根據新資料更新模型。
以上資料均來自網路公開資料參考及個人想法綜合整理，因科技發展迅速，資訊不一定絕對正確，請讀者以自己的想法為主，也歡迎留言討論喔！
我是TN科技筆記，如果喜歡這篇文章，歡迎愛心、留言、轉發給朋友給我支持鼓勵！！沙龍內有更多科技文章等著各位喔！
