何為機器學習
為人工智慧的一項分支，透過演算法建構模型從大量的資料中找出規律，進而學習能做到識別資料或預測未來規律，並逐步完善精進，應用涵蓋金融、工業、零售、醫療…等等範圍相當廣泛；機器學習又可分成監督式學習(Supervised Learning)、非監督式學習(Unsupervised Learning)、半監督式學習(Semi-supervised learning)、增強學習(reinforcement learning)；而最近也很常聽到的深度學習則為機器學習的另一項分支，不在此系列文章的規劃中。

三者的關係 圖片來源:NVIDIA

監督式學習
所有資料都有標準答案，先將資料做標籤(Label)在訓練的過程中告訴機器答案，即為監督式學習。例如要判斷香菇是否有毒，將有毒的香菇資料事先標為1沒毒的香菇資料標為0 。

非監督式學習
訓練資料沒有標準的答案，讓機器自行摸索出資料規律，不需要事先以人力輸入標籤，常用於關聯規則探索找資料的相似性。

半監督式學習
介於監督學習與非監督學習，少部分資料有標籤大部分資料沒有標籤，以資料分群來說先以有標籤的資料切出一條分界線，再利用剩下沒標籤資料的整體分布調整分界線；具有非監督式學習高自動化的優點，又能降低人工標籤資料的成本，是目前較常使用的方法。

增強學習
邊做邊學不斷調整，因應環境的變動隨之改變作法，隨時根據新進來的資料逐步做修正；例如當機器投籃時，越來越接近籃框給予一個正反饋(Positive Reward)若離目標更遠則給予負反饋(Negative Reward)。

參考資料來源:
https://www.inside.com.tw/2017/06/28/big-data
https://www.inside.com.tw/2017/07/19/machine-learning

後學才疏學淺，如有謬誤還請各位先進不吝指教。