我以李弘毅老師所開的機器學習課程學習地圖，作為機器學習會學哪些方法的架構介紹。

綜觀機器學習，我們可以分成學習情境(scenario)、任務(task)跟方法(method)三部分來看。

一、訓練時的學習情境(scenario)

從訓練時的學習情境(scenario)的角度，可以分成

1. supervised learning: 給學習教材(input)跟答案標籤(output)，像家教一樣的監督式學習
2. semi-supervise: 只給教材(input)但只有部分有答案標籤的半監督式學習
3. unsupervised learning: 給教材但不給答案的非監督式學習，想知道機器會做出什麼結果等
4. reinforce learning: 學習過程中只告訴他分數結果，不跟它說到底錯在哪，讓機器自己去試錯修正的強化學習
5. transfer learning: 用在其他數據/經驗(Source Data)來應用在我現在想學的目標(Target Data)的遷移式學習

圖片來源：https://ithelp.ithome.com.tw/articles/10264258

二、資料輸出的格式(要做的任務, task)

而就資料輸出的格式來說(也可以說是要做的任務, task)，可以分成:

• 回歸(regression)問題：一個實數，譬如說天氣或股票數值預測
• 分類(classification)問題：哪個類型，是兩類還是k類(Binary or Multiclass)，實務上的例子有像垃圾郵件、文章或情緒分類，下圍棋要下在棋盤上哪一格(可以看成要下一步要分在19x19的哪一類中)等
  還有輸出是結構序列形式(structure learning)的問題，不過這邊先跳過。

回歸主題，我們要做的手寫數字辨識系統是一個在訓練有預設答案(監督式)的分類問題，因為我們會給它input跟目標output的資料，確定得出的結果是數字 0~9 其中一個。

三、方法(method)

機器學習的方法有直接對照得到答案的線性模型，容易理解但正確率可能不高，也有過程比較複雜的非線性模型，如 Deep Learning(Neural Network)，或是其他模型如 SVM、決策樹、K 鄰近法(K-NN) 等。

每種方法都有他們的優缺，按照遇到的問題選用最適合的模型(model) 即可，譬如說使用神經網路時因為黑箱關係，所以不大好解釋結果是怎麼一步一步推論出；或使用決策樹做分類時，若各類樣本數量不均，決策樹推論出來的結果會偏向樣本數量比較多數據的特徵，這些我們後面有機會會詳細講。

明天我們接著講怎麼找一個適合手寫數字辨識系統的神經網路方法～

[註1] 李宏毅老師的 機器學習課程(2017)