在人工智慧下的機器學習，
其實分有三種類型，
包含「監督式學習」、「非監督式學習」和「增強學習」。

承如人工智慧、機器學習、深度學習介紹，
機器應用相當廣泛，例如：推薦引擎、定向廣告、需求預測、垃圾郵件過濾、醫學診斷、自然語言處理、搜索引擎、詐騙偵測、證券分析、視覺辨識、語音識別、手寫識別等等。

機器學習是人工智慧的分支，機器學習是透過演算法，使用大量資料進行訓練，訓練完成後會產生模型。未來當有新的資料，我們可以使用訓練產生的模型進行預測。

機器學習可分為: 監督式學習（Supervised Learning）、非監督式學習（Unsupervised Learning）、增強式學習（Unsupervised Learning）。

承如機器是怎麼從資料中「學」到東西的呢中提及，

監督式學習

在訓練的過程中告訴機器答案、也就是「有標籤」的資料，
比如給機器各看了 1000 張蘋果和橘子的照片後、詢問機器新的一張照片中是蘋果還是橘子。

非監督式學習

訓練資料沒有標準答案、不需要事先以人力輸入標籤，故機器在學習時並不知道其分類結果是否正確。
訓練時僅須對機器提供輸入範例，它會自動從這些範例中找出潛在的規則。

資料沒標籤、讓機器自行摸索出資料規律。
例如集群演算法、關聯規則探索。

增強學習

透過觀察環境而行動，並會隨時根據新進來的資料逐步修正、以獲得最大利益。

若環境的變化是離目標更接近、我們就會給予一個正向反饋 (Positive Reward)，比如當機器投籃時越來越接近籃框；若離目標更遠、則給予負向反饋 (Negative Reward)，比如賽車時機器越開越偏離跑道。

我們並沒有給予機器標籤資料，告訴它所採取的哪一步是正確、哪一步是錯誤的，但根據反饋的好壞，機器會自行逐步修正、最終得到正確的結果。

通常「監督式學習」的效果較非監督式學習佳，
因為沒有標籤(Label)來確認，
而只是判斷特徵(Feature)來分群。

除了以上三種機器學習外，
還有學者提出「半監督式學習」，
至於選用哪種方法預測，
取決於資料型態與問題本身。

以上，打完收工。