對於剛升上大三的我來說，從剛開始接觸資訊一直聽到machine learning、ai、deep learning，但始終搞不懂這三個的關係在哪裡，直到有了這次的機會，讓我有機會和動力去探索我一直很想深入研究的技術。

甚麼是機器學習(machine learning)
英國數學家 Alan Turing(人工智慧之父)，在1950年在Oxford University Press的Mind期刊，發表Computing Machinery and Intelligence 論文，提出機器思維的概念，從此人工智慧就一直是計算機科學非常重要的領域。
器學習和人類學習的方式十分相似，要讓機器（電腦）像人類一樣具有學習能力的話，通常都會先進行「分類」，才能分析理解、進行判斷，最後才能採取行動。機器學習的種類最主要分成四種：監督式學習（Supervised learning）、非監督式學習（Un-supervised learning）、半監督式學習（Semi-supervised learning）及強化學習（Reinforcement learning）。

監督式學習（Supervised learning）：
所有資料都被「標註」(label)，告訴機器相對應的值，以提供機器學習在輸出時判斷誤差使用。例如，若要訓練機器區分大象和長頸鹿，則提供機器 100 張大象和長頸鹿的照片。機器依照標註的照片去偵測大象和長頸鹿的特徵，依照特徵就能辨識出大象和長頸鹿並進行預測。

非監督式學習（Un-supervised learning）：
所有資料都沒有標註，機器透過尋找資料的特徵，自己進行分類。例如機器要區分大象及長頸鹿，機器得自行判斷提供的 100 張照片裡有哪些特徵的是大象、哪些特徵的是長頸鹿並同時進行分類。在未來預測時，利用機器自行所分類的特徵去辨識是哪一種動物。但機器所辨識的結果不一定正確。

半監督式學習（Semi-supervised learning）：
對少部分資料進行「標註」，電腦只要透過有標註的資料找出特徵並對其它的資料進行分類。這種方法可以讓預測時比較精準，是目前最常用的一種方式。若有 100 張照片，則標註其中 10 張哪些是大象哪些是長頸鹿。機器透過這 10 張照片的特徵去辨識及分類剩餘的照片。

強化式學習（Reinforcement learning）：
機器透過每一次與環境互動來學習，以取得最大化的預期利益。例如將某張大象的照片預測成長頸鹿，則人類給予錯誤的訊息。機器會再次辨認特徵及分類。透過一次一次正確與錯誤的學習，最後的預測就會越來越精準。

結論
所以說機器學習就是把資料歸納出有用的資訊和規則，而讓機器去學習這些資訊，這樣的演算法就是機器學習，讓機器越來越聰明，也是實現人工智慧得途徑。而每個學習方式都有自己優缺點，但都是不斷餵給機器資料，讓經驗讓他們越來越精確。

參考
https://zh.wikipedia.org/wiki/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0