iPAS-初級AI應用規劃師-常見的機器學習模型

​

Fatos Bytyqi on Unsplash

1. 監督式學習（Supervised Learning）

有標籤資料，目標是學習輸入與輸出之間的映射關係。

分類（Classification）模型

• 邏輯迴歸（Logistic Regression）：適用於二元或多元分類問題。
• 決策樹（Decision Tree）：基於條件劃分資料，適用於分類與回歸。
• 隨機森林（Random Forest）：多棵決策樹組成，能有效減少過擬合。
• 支持向量機（SVM, Support Vector Machine）：利用超平面進行分類，適用於高維度數據。
• K 近鄰演算法（KNN, K-Nearest Neighbors）：基於鄰近樣本的標籤進行分類。

回歸（Regression）模型

• 線性回歸（Linear Regression）：適用於預測連續數值，如房價預測。
• 多元線性回歸（Multiple Linear Regression）：考慮多個特徵變數的線性回歸模型。
• Lasso / Ridge 回歸：線性回歸的變體，透過正則化減少過擬合。

2. 非監督式學習（Unsupervised Learning）

無標籤資料，目標是發掘數據內部的結構與模式。

聚類（Clustering）模型

• K 均值（K-Means）：基於距離劃分資料點至 K 個群集。
• 層次聚類（Hierarchical Clustering）：透過構建樹狀結構來進行分群。
• DBSCAN（Density-Based Spatial Clustering）：基於密度進行聚類，適用於不規則形狀數據。

降維（Dimensionality Reduction）模型

• 主成分分析（PCA, Principal Component Analysis）：降低維度，保留最重要的特徵資訊。
• t-SNE（t-Distributed Stochastic Neighbor Embedding）：適合高維度數據的可視化。

3. 強化學習（Reinforcement Learning, RL）

透過與環境互動學習最優策略。

• Q-Learning：基於 Q-值的離線強化學習方法。
• 深度 Q 網絡（DQN, Deep Q-Network）：結合深度學習與 Q-Learning。
• 策略梯度（Policy Gradient）：直接學習最優策略的方法，如 REINFORCE 演算法。
• Actor-Critic：結合值函數與策略梯度的混合方法。

4. 深度學習（Deep Learning）

利用神經網路學習複雜模式，適用於影像、語音、NLP 等領域。

• 人工神經網路（ANN, Artificial Neural Network）：基礎的神經網路架構。
• 卷積神經網路（CNN, Convolutional Neural Network）：擅長處理影像數據。
• 循環神經網路（RNN, Recurrent Neural Network）：適用於時間序列數據，如語音與文本。
• 長短期記憶網路（LSTM, Long Short-Term Memory）：RNN 的改進版本，能有效處理長期依賴問題。
• 變分自編碼器（VAE, Variational Autoencoder）：生成模型，常用於圖像生成。
• 生成對抗網路（GAN, Generative Adversarial Network）：透過對抗學習生成高品質的數據。

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！有時間會再分別深入介紹每個名詞。

我是TN科技筆記，如果喜歡這篇文章，歡迎留言、點選愛心、轉發給我支持鼓勵～

也歡迎每個月請我喝杯咖啡，鼓勵我撰寫更多科技文章，一起跟著科技浪潮前進！！

>>>請我喝一杯咖啡