想學 AI，卻被一堆演算法名詞搞得頭暈腦脹？其實演算法就像 AI 的「軍火庫」，裡面裝滿了功能各異的武器。作為規劃師，你不需要手造武器，但一定要知道在什麼戰場該挑哪一把槍。
一、 機器學習的三大門派：機器怎麼學？
機器學習的本質，是讓電腦從數據中找出規律。根據資料特性和目標的不同，我們可以把學習方法分成這三大支柱：
- 監督式學習 (Supervised Learning)：像是有「老師」在旁邊教。 老師給你題目（輸入）也給你正確答案（標籤）。模型透過不斷對答案，學會如何分類（例如辨識垃圾郵件）或預測數值（例如預估房價）。這就是靠「標準答案」養出來的預測力。
- 非監督式學習 (Unsupervised Learning)：像是自我探索的「偵探」。 沒人給答案，模型得在一堆混亂的資料中自己找規律。它擅長把相似的東西湊在一起（聚類），或幫龐大的數據「瘦身」（降維）。最常見的應用就是電商的客戶分群。
- 強化學習 (Reinforcement Learning)：像是「玩遊戲」的玩家。 這是一個「試錯」的過程。模型（代理人）在環境中亂撞，做對了拿獎勵，做錯了被扣分。它在乎的是累積下來的總分最高，這招專門用來處理自動駕駛或下圍棋這種需要連續決策的任務。
二、 為什麼 AI 會變聰明？揭開「自適應」的真相
傳統程式是「死規則」，如果 A 發生，就執行 B。但機器學習強在兩大優勢：- 自適應能力： 它不需要你寫死指令，而是從數據經驗中自己修正判斷標準。數據更新了，模型就跟著變聰明。
- 高可擴展性： 只要硬體夠強、數據夠多，模型就能處理人類大腦無法想像的複雜維度，從幾萬筆數據中挖出細微的趨勢。
三、 經典演算法：從「數據算命師」到「分類法官」
在軍火庫中，這幾款經典武器你一定要認得：
- 線性回歸 (Linear Regression)： 數據界的算命師，專門預測房價、股價這種連續數字。
- 邏輯回歸 (Logistic Regression)： 名字有回歸，其實是分類大師。專門判斷是非題（如：這張信用卡會不會違約？）。
- 決策樹與隨機森林： 像是玩「提問遊戲」，透過一連串是非題來做決定。隨機森林則是找一堆決策樹來集體投票，防止單一模型鑽牛角尖（過擬合）。
- SVM (支持向量機)：分類界的「邊界大王」。 SVM 不只是把東西分開，它追求的是畫出一道讓兩邊都「離我最遠」的完美界線（最大間隔）。如果原始資料混在一起分不開，它還會用「核函數」把資料傳送到更高維度的空間，在那個時空裡，原本糾纏不清的資料就能一刀切開。
四、 深度學習：模仿大腦的「渦輪增壓器」
當資料量大到傳統計法處理不來，例如照片、語音或長篇大論，我們就得請出「深度學習」。
它模仿人類神經元的架構，透過多層傳遞來理解世界。這裡有兩個關鍵動作：
- 前向傳播： 資料進來，模型大膽做預測（去考試）。
- 反向傳播： 發現預測錯了，把誤差「往回傳」，告訴每一層神經元該調整多少權重（檢討考卷）。
隨著需求不同，深度學習也演化出不同的專科醫生：
- CNN (卷積神經網路)： AI 的眼睛，專門處理圖像，從線條、紋理看到整張臉。
- RNN (循環神經網路)： AI 的記憶，適合處理有時間順序的資料，如一段音樂或一段話。
- Transformer： 現在最紅的架構（如 ChatGPT 的心臟）。它不再像 RNN 那樣死板地按順序讀字，而是透過「自注意力機制」一次看完所有資訊，並能分輕重緩急地理解上下文。
理解了這張演算法地圖，你就不再是看熱鬧的門外漢。面對問題時，你會先想：這是有標準答案的考卷（監督式）？還是無人島的探險（非監督式）？是要用簡單穩定的線性模型，還是要請出強大的深度學習軍隊？
這種針對不同戰場挑選對應武器的能力，才是 iPAS 考證中最核心的專業判斷。
