前言：
昨天的文章劃分了2011年代在世界的時代定位，還有三種類型的AI(AGI, ANI, ASI)介紹，算是進入真正的理論區塊的講解，接下來的文章內容多半會以介紹各個理論演算法為主。今天要介紹的主題是機器學習的區塊，那我們就開始今天的文章吧。

機器學習(Machine Learning)
人工智慧是一個大學科，其中有一個區塊叫做機器學習的領域，看到這邊大家可能有一個疑問，甚麼是機器學習?所謂的機器學習是AI和計算機科學的其中一個分支，主要針對使用數據和算法來模仿人類學習，會根據演算和計算逐漸提高準確性。
深度學習在不同的情況跟學習方式下，會有不同的標記和數據收集的方式，並不是每一個深度學習都要求相同的標記及。
於是機器學習的領域下還包含了一些子項目，包括：監督式學習、非監督式學習、增強學習。

監督式學習(Supervised Learning)

1.需要事先標記好(Label)來進行資料訓練
2.但標記Label往往需要大量的人力
3.優點是準確度高

通常用解決回歸問題、分類問題

非監督式學習(Unsupervised Learning)

1.訓練資料前不需要事先標記Label
2.沒有所謂的正確答案
3.沒有標準答案(預測也不一定正確)

用於探索data間的關聯性、也可以處理分類問題

增強學習(Reinforcement Learning)
增強學習的主要元素

1.代理或學習者
2.代理語之交互環境
3.代理採取行動所遵循的策略
4.代理在採取行動時觀察到的獎勵信號

應用例子:AlphaGo、自駕車

不過對於監督式學習及非監督式學習並沒有一套標準說哪一個方法比較好，不同的方法只是提供不同需要的機器學習，重點在於解決問題前，能不能了解問題的需求。

資料來源：
https://www.ibm.com/cloud/learn/supervised-learning

https://www.ibm.com/cloud/learn/machine-learning

https://help.mobagel.com/zh-TW/support/solutions/articles/47001164435-%E7%9B%A3%E7%9D%A3%E5%BC%8F%E5%AD%B8%E7%BF%92%E8%88%87%E9%9D%9E%E7%9B%A3%E7%9D%A3%E5%BC%8F%E5%AD%B8%E7%BF%92