資料有沒有答案，決定了 AI 怎麼學
👉 從分類、迴歸、分群，看懂監督式與非監督式學習。
前言｜你是在「教 AI」，還是「讓 AI 自己看」？
想像兩個學習場景。
第一個場景，是考試。
每個題目都有標準答案，老師會告訴你哪一題對、哪一題錯，你只要不斷修正，就會越來越接近正確解法。
第二個場景，沒有考卷也沒有答案。
你只是拿到一堆資料，必須靠自己觀察： 哪些東西看起來相似？哪些又明顯不一樣？
AI 的學習，其實也是在這兩種情境之間做選擇。
一個關鍵問題：資料裡「有沒有答案」？
在前幾篇文章中，我們已經談過三件事：
- 分類 (Classification)：判斷屬於哪一類
- 迴歸 (Regression)：預測一個數值
- 分群 (Clustering)：找出資料自然形成的群體
如果仔細觀察，這三種分析方法主要的差別是：
1. 資料有答案 vs 資料沒有答案
2. 答案是離散性的值 vs 答案是連續性的數字
然而，
到目前為止，我們其實都還停留在一個層次：
「怎麼依照資料與答案的型態，選擇合適的分析方式？」
分類、迴歸、分群，本身並不是完整的技術體系，
而是用來描述「問題結構」的基本方法。
但在真實世界中，我們關心的從來不只是方法名稱，
而是： 👉 AI 是如何從資料中學會這些規則的？
當我們開始追問這個問題時，就必須正式進入一個更核心的層次——
機器學習（Machine Learning, ML）。
機器學習並不是某一種模型，
而是一整套讓 AI 能夠「從資料中學習、修正、泛化」的技術框架。 之前提到的分類、迴歸、分群， 正是在這個框架之下，被系統化整理出來的學習方式。
在 AI 的整個技術版圖中，
機器學習（Machine Learning, ML）扮演的角色是： 把「資料」轉換成「可重複使用的判斷規則」。
不論是預測數值、判斷類別，或探索資料結構，
機器學習關心的從來不是一次性的結果， 而是這些結果是否能在新資料上持續成立。
以下介紹二種核心架構：
一、監督式學習（Supervised Learning）：先告訴 AI 正確答案
從機器學習的角度來看，監督式學習（Supervised Learning）的核心特徵可以濃縮成一句話：
📌資料本身就帶著正確答案，AI 的任務是學會如何對照。
如果資料長這樣：
- 這封信是不是垃圾郵件？（是 / 否）
- 這間房子值多少錢？（實際成交價）
- 這個人會不會違約？（會 / 不會）
那麼，之前介紹的：
- 分類（Classification）
- 迴歸（Regression）
本質上都屬於這一類。
他們各自會依理論角度不同再延伸模型，例如：
- Logistic Regression（邏輯斯迴歸）
- Decision Tree（決策樹）
- SVM
- Neural Network（神經網路）
現在不需要急著理解它們怎麼運算。
只需知道一件事：
它們做的事情其實一樣——拿「有答案的資料」來學規則。
差別，只在學得好不好、穩不穩定、適不適合你的資料。
二、非監督式學習（Unsupervised Learning）：沒有答案，只能先看結構
那如果資料長這樣呢？
- 一群顧客的消費紀錄，沒有標註類型
- 一堆使用者行為資料，不知道誰是誰
- 一堆特徵，但沒有「對 / 錯」可對照
這時候，根本無法要求 AI「預測答案」，
📌因為——答案根本不存在。
這類情境，就是非監督式學習（Unsupervised Learning）。
它的核心任務不是預測，而是：
- 找出資料的結構
- 看哪些資料彼此相似
- 協助人類「先理解資料長什麼樣子」
從機器學習的角度來看，
非監督式學習並不是用來產生答案， 而是用來建立對資料結構的理解基礎。
先前介紹的：
- 分群（Clustering）
就是最典型的例子。
他也延伸了許多好用的模型，像是：
- K-means
- Hierarchical Clustering
- PCA（用來濃縮資料重點）
同樣只需要記住一句話：
非監督式學習沒有準不準，
而是它只能嘗試從資料中找出穩定、可解釋的結構。
也正因如此，非監督式學習通常不是決策的終點，而是理解問題的起點。
從學習方式，走向第一個模型
到這裡為止，我們已經把一件事釐清得很清楚：
在機器學習中，真正的第一步不是選模型，而是確認《學習方式》。
一旦問題被界定為「監督式學習」，
接下來才會出現一個更實際、也更常被問到的問題：
👉 那第一個該認識的模型，是哪一個？
在眾多監督式模型中，
有兩個名字幾乎一定會最先出現—— 線性迴歸（Linear Regression） 與 邏輯斯迴歸（Logistic Regression）。
它們之所以重要，並不是因為計算多複雜，
而是因為它們清楚展示了： 機器學習是如何把資料，轉換成可解釋的判斷規則。
下一篇，我會從這兩個模型之一開始，
不談推導、不進數學， 只專注在一件事上： 它在解決什麼問題？為什麼會成為監督式學習的起點？
課程說明
🔖 以下內容為本系列的學習安排與閱讀指引。
- 為方便大家學習，我將全部章節進行劃分，詳見導覽文。
- 同時，每當完成某一主題介紹時，我也會在圖上「插旗」，讓學習者明白自己的進度。
- 目前會以名詞介紹為主，後續會進行模型細節的探討，儘量趕在2026年3月中旬完成。
- 若需要先介紹某一主題時，請先留言，我會儘量配合。
