機器學習（ML）就像是 AI 的軍火庫，裡面裝滿了各式各樣、功能獨特的「武器」（演算法）。作為 AI 應用規劃師，你們不需要成為製造武器的專家，但必須知道在什麼戰場（任務）該使用哪種武器（模型），才能事半功倍！
我們將在 ML 的宏大脈絡下，把這些常見的演算法進行分類拆解，讓你們對這些模型的底層邏輯和適用情境一清二楚！
一、 監督式學習模型：給你標準答案，讓你去預測！
監督式學習模型的核心在於從帶有標記（標準答案）的數據中，學習輸入特徵與輸出標籤之間的映射關係。我們主要將這些模型分為分類（預測離散類別）和迴歸（預測連續數值）兩大類。1. 迴歸模型（Regression Models）：預測連續數值
迴歸模型就像「數據世界的算命師」，目標是準確地說出一個連續的數值結果！
2. 分類模型（Classification Models）：預測離散類別
分類模型是用來判斷一個輸入數據屬於哪一個預先定義的類別。
分類模型就像「數據世界的法官」，必須判斷一筆資料該被歸入哪個群組！
3. 集成學習 (Ensemble Methods)：集合眾人智慧
集成學習是透過結合多個單一模型（稱為基學習器）的預測結果，來提升整體預測的準確性與穩定性。
二、 非監督式學習模型：沒有老師，自主探索！
非監督式學習模型處理的是沒有預先標記（標準答案）的數據，專注於從數據中發現潛在的結構、模式、或進行數據壓縮。
非監督式模型就像「資料世界的偵探」，自主挖掘數據潛藏的規律和結構！
三、 深度學習與生成式模型：走向抽象與創造
深度學習是機器學習的子集，透過多層神經網路自動學習抽象特徵。這使得深度學習在處理非結構化數據（如圖像、文本、語音）上表現卓越。
1. 深度學習架構（處理非結構化數據）
深度學習模型就像「數據世界的解剖師」，能自動從原始數據中提取深層、抽象的特徵！
2. 生成式模型（Generative Models）：創造全新內容
生成式 AI 旨在學習數據的底層分佈，並生成與真實數據相似但卻是全新的數據樣本。
生成式模型就像「數據世界的藝術家」，核心目標是創造出逼真且多樣化的新內容！
💡 情境案例應用：新創醫療診斷模型的選擇
假設你是一家新創醫療科技公司的 AI 應用規劃師，你們需要為醫院設計三種不同功能的 AI 系統：
醫院院長： 「小陳，你看，我們有數百萬筆未經標註的病歷數據，我們真的能從中找出我們需要的資訊嗎？沒有標籤怎麼讓 AI 學習？」
AI應用規劃師： 「院長，這是我們非監督式學習大顯身手的時候了！我們將使用 K-Means 演算法，這就像我們給它一堆散亂的數據點，它會自己找出數據最密集、最相似的五個自然群體。這個過程就是讓 AI 進行**『自主探索』**。然後我們再分析這五個群體的特徵，就能為個人化治療找到方向了！」
醫院院長： 「太神奇了！那麼，如果我們想要在邊緣設備上執行 X 光片分類，但設備的運算能力有限，我們是否一定要用龐大的 CNN 模型？」
AI應用規劃師： 「這涉及到模型優化的權衡問題。我們可以先訓練一個高性能的 CNN 教師模型，然後採用知識蒸餾（Knowledge Distillation） 技術。這個技術能將大模型的知識，轉移給一個更小、更輕量的學生模型，讓它在邊緣設備上也能維持高準確度，同時大幅降低運算延遲！」
透過今天對這些核心演算法的拆解，相信大家已經能自信地面對各種機器學習的應用情境，並做出最聰明、最有效的技術選擇！
