在昨天的文章[Day 3] 機器學習的步驟 中介紹了我們如何訓練機器學習的步驟，今天要來聊聊不同的訓練方式。

在機器學習中，主要有以下五種訓練方式

• 監督式學習 (Supervised Learning)
• 半監督式學習 (Semi-supervised Learning)
• 遷移學習 (Transfer Learning)
• 非監督學習 (Unsupervised Learning)
• 強化學習 (Reinforcement Learning)

監督式學習 (Supervised Learning)

如同我們在上一篇文章提到的，我們提供大量的資料來讓機器學習，而這些資料當中，同時也明確告訴機器輸入與輸出的關係，譬如

其中「聲音」與「體長」就是我們要輸入「模型」的內容，而「貓」或「狗」就是不同資料相對應的結果。機器學習的目的就是要找到最好的「模型」，在未來輸入新的「聲音」與「體長」的資訊之後，能有很高的機率判斷出正確的結果。

但事情總是沒有一般人想得這麼簡單，要能夠訓練好機器，需要非常大量的資料，而且這些資料需要有明確的輸入與輸出的對應關係。

舉例來說，如果我們今天是用大量的貓與狗來訓練機器，我們不僅只是要讓機器去讀取（測量）他們的聲音與體長，同時我們也要「告訴機器正確答案是什麼」，這個步驟，就需要人類智慧的介入，也就是我們需要先幫機器判斷出正確答案。

在真實世界中，我們可能沒有這麼大量的、完整的資料能夠提供給機器去學習，讓模型達到我們預期的準確度。因此我們需要以下幾種不同的學習方式。

半監督學習 (Semi-supervised Learning)

監督式學習，就好像是有老師站在學生旁邊，告訴學生每一個練習題到底是做對還是做錯，監督著學生的學習。然而剛剛提到，大量且資訊完整的資料可能沒有這麼多，或是取得相當困難，因此後來人們開發出了半監督學習的技術。

在半監督學習當中，我們使用少量的完整資料，以及其他不完整的資料來學習。可以想像是學生在用 10 份有答案的練習卷以及 90 份沒有答案的練習卷在學習。這樣就可以大量減少對於完整資料的需求

遷移學習 (Transfer Learning)

遷移學習的技術，則是可以將機器在某一個任務中學習到的知識（訓練好的模型），轉移到另外一個任務上。譬如我們可以利用一個能夠判斷鳥與老鼠的機器，來幫助我們現在的機器來判斷貓與狗，在這樣的情況下，等同於我們借助了其他的資料（鳥與老鼠），來間接訓練我們用來判斷貓與狗的機器，也就是說，我們不需要跟監督式學習一樣大量的貓與狗的資料，就能來訓練機器。

非監督學習 (Unsupervised Learning)

當然更厲害技術就是，不告訴機器任何的完整資料，讓機器自己透過演算法自己摸索出人類所期待的正確模型。聽起來就像是讓學生寫 100 份沒有正確答案的練習卷，然後學生要想辦法自己學會什麼才是正確答案。

強化學習 (Reinforcement Learning)

強化學習則是強調透過與環境的持續互動，來達到學習的效果。同樣以考試的例子來說，我們就讓學生直接上考場寫考卷，交卷之後，我們告訴學生有及格還是沒有及格。學生拿到這個「回饋」之後，回頭想辦法調整自己的作答方式，然後再次交卷，拿到另外一個回饋。

同樣的這個方法，不需要像監督式學習一樣，提供大量有明確輸入與輸出的完整資訊。這樣的學習方法，也很像人類的學習行為：透過與環境互動而獲得的回饋，來強化自己的學習。

結語

說了這麼多，到底哪一種方法最厲害呢？其實端看我們手上有多少資源。如果我們有取之不盡用之不覺得完整資料，那麼我們就可以直接用監督式學習的方法來訓練機器學習。但如果我們不是含著金湯匙出身，沒有這麼多的資源，那麼就要去思考哪一種方法最能夠有效運用手上的資源，來達到最好的機器學習效果。

談完了機器學習的一些方法，明天來聊聊一些關於數學的東西吧！