機器學習的學習方式可以簡單地分為以下兩種：

1. 監督式學習(Supervised learning)
2. 非監督式學習(Unsupervised learning)

在我看來，就類似補習班與放牛班的對比關係，
監督式學習就意味設計者必須餵大量有標註(labeling)過的Data，給機器去歸納出這些Input有哪些關聯性。
而非監督式學習則直接餵資料給機器去找尋這些Input的特徵(Feature)有哪些。

監督式無非就需要耗費人力再進行資料的labeling，而非監督式雖然以放任的態度訓練，想當然爾其準確度就會有所侷限。進而就有半監督式學習(Semi-supervised learning)與增強學習(Reinforcement learning)地出現。

半監督式學習就字面上的意思可以推敲出來就是進行少部分的Data labeling，然後就嘗試讓機器去衍伸與推敲。

蔡炎龍老師在課堂上帶到的幾個 Python 數據分析團隊：

1. Jupyter -> 主流平台
2. NumPy -> 科學計算
3. Matplotlib -> 畫圖
4. Pandas -> 資料清理
5. SciKit Learn -> 機器學習

現實中的因果關聯，在我們擁有很多資料和紀錄後(大數據)，我們希望打造一個「函數學習機」，
可以丟給他一堆資料，期望「函數學習機」可以 Output 越接近真實結果的答案。

最後來看一些 Python 程式碼...

依照 蔡炎龍老師的講義，我們先來定義一個線性函數

f(x)=1.2x+0.8

再加入 noise 項(雜訊)

用 python 表示:

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, 1, 100)
y = 1.2*x + 0.8 + 0.2*np.random.randn(100)

plt.scatter(x,y)

這邊我在 Colab 上測試，今天就先畫出這段線性函數。