🎯 重點一：機器學習三大門派
- 監督式學習 (Supervised Learning)
- 核心特徵： 有標籤（有標準答案）。
- 兩大任務：
1. 分類 (Classification)： 預測離散類別（例如：是貓還是狗？是垃圾信嗎？）
2. 迴歸 (Regression)： 預測連續數值（例如：預測明天股價、預測房價）。
- 非監督式學習 (Unsupervised Learning)
- 核心特徵： 無標籤（沒有標準答案），讓機器自己找規律。
- 兩大任務：
1. 聚類 (Clustering)： 物以類聚（例如：電商客戶自動分群）。
2. 降維 (Dimensionality Reduction)： 濃縮資訊，保留核心特徵以加速計算。
- 強化式學習 (Reinforcement Learning)
- 核心特徵： 透過「試錯」與「環境互動」來學習。
- 關鍵字： 動作 (Action)、獎勵 (Reward)。
- 應用場景： 遊戲 AI、自駕車導航、機器人控制。
🎯 重點二：資料集拆分
- 訓練集 (Training Set)： 課本。模型用來「學習」參數的資料。
- 驗證集 (Validation Set)： 模擬考。用來「調整超參數」（如學習率）與「監控是否過擬合 (Overfitting)」。
- 測試集 (Test Set)： 大學指考。模型訓練全部結束後才能拿出來用，用來評估最終的泛化能力（Generalization），絕對不能參與訓練！
🎯 重點三：損失函數與評估指標
模型怎麼知道自己學得好不好？看 Loss！不同的任務要配對不同的函數。
- 迴歸任務 (Regression) 專用：
- MSE (均方誤差)： 有平方，會放大大誤差，對異常值（Outlier）非常敏感。
- MAE (平均絕對誤差)： 沒平方，對異常值容忍度高（魯棒性/Robustness 強）。
- 評估指標： MAE、MSE、R² (決定係數)。
- 分類任務 (Classification) 專用：
- Cross-Entropy (交叉熵)： 衡量預測機率分佈與實際標籤的差距。
- 評估指標： 準確率 (Accuracy)、精確率 (Precision)、召回率 (Recall)、F1 分數。
- 非監督任務專用：
- 評估指標： 輪廓係數 (Silhouette Score)、重建誤差 (Reconstruction Error)。
🎯 重點四：強化學習的「MDP 五大元素」
- 代理人 (Agent)： 採取行動的 AI 本體。
- 環境 (Environment)： AI 所處的世界。
- 狀態 (State)： AI 觀察到的當下情況。
- 動作 (Action)： AI 決定的行為。
- 報酬 (Reward)： 環境給予的獎勵或懲罰。
💡小提醒： 強化學習的終極目標是「最大化長期累積報酬」，而不是只看眼前的單次最高分！
💣 重點五：常見陷阱
- 陷阱 1：「非監督式學習因為沒有標籤，所以無法評估好壞。」
正解： 錯！可以使用資料本身的結構特徵（如輪廓係數）來評估分群品質。 - 陷阱 2：「模型在訓練集上的準確率達到 100%，代表這是一個完美的模型。」
正解： 錯！這通常是過擬合 (Overfitting) 的警訊，到了未知的測試集上表現通常會很慘。 - 陷阱 3：「降維會把資料破壞，導致無法建立模型。」
正解： 錯！降維是為了去除雜訊並保留「核心結構」，不但能保留重要特徵，還能降低運算成本。
透過預備 iPAS AI 應用規劃師 (中級) 考試，加強 AI 知識。
※ 內容參考 iPAS 官方學習指引，由 AI 整理產製
