從今天開始我們將會正式介紹機器學習的概念，以及執行步驟與衡量一個模型的好壞，大家都知道機器學習簡單來說就是更現代版的統計學，statistics is basis，所以如果你的統計學不好、線性代數也沒有概念的話，當接觸到更深層的數學概念時就無法消化入肚，因此擁有基礎知識非常的重要。

簡單將機器學習分層四個大類:

1. 監督式學習Supervised Learning
   模型從帶有標籤的訓練資料中學習，目的是預測新資料的標籤，也就是說明了每個標籤都有對應的答案。
   例如:分類（如垃圾郵件檢測）和迴歸（如房價預測）。
2. 非監督式學習Unsupervised Learning
   模型從沒有標籤的資料中學習，主要目的是發現資料中的結構或模式，即便標籤沒有對應的答案，也能將其歸類。
   例如:聚類（如客戶分群）和降維（如主成分分析）。
3. 半監督式學習Semi-Supervised Learning
   結合少量帶標籤的資料和大量無標籤的資料來訓練模型，讓測試集資料能夠有效運作。例如:當標籤資料昂貴或難以獲得時，這種方法特別有用。
4. 強化學習Reinforcement Learning
   定義：模型透過與環境互動，根據獎勵正確信號、懲罰錯誤來學習策略，以最大化累積獎勵。例如:遊戲AI、自動駕駛等。

一般來說，我們在執行機器學習來解決問題時會執行五大步驟分別為:
當進行機器學習專案時，這五個步驟代表了整個流程的關鍵環節。以下是對每個步驟的詳細解釋：

1. 定義問題 (Define Problem)

• 解釋：在開始任何機器學習專案之前，首先需要明確你要解決的問題。這一步驟是整個過程的基礎，因為如果問題定義不清晰，後續的步驟也無法順利進行。要將問題轉化為具體的機器學習任務，必須考慮問題的性質和預期的結果。以股票市場為例，如果你想知道如何不賠錢，實際上你在問的是「如何預測股票市場的走勢？」這是一個迴歸問題，因為你想預測未來的連續數值（如股價）。

2. 建立資料集 (Build Dataset)

• 解釋：一旦問題定義清楚，下一步就是收集並準備資料。資料集是機器學習模型學習的基礎。資料應該包括足夠的特徵（features）和標籤（labels）來支持模型訓練。資料集的質量直接影響模型的性能，因此這一步驟包括資料收集、清理、轉換和標註。以股票市場預測為例，你可能需要歷史股價、交易量、經濟指標等資料。

3. 訓練模型 (Train Model)

• 解釋：在資料準備完成後，我們將資料分為訓練集（Training Data）和測試集（Testing Data）。訓練集用來訓練機器學習模型，即讓模型學習資料中的模式。這一步驟中，模型會不斷調整其參數，以最小化預測誤差。不同的機器學習算法會有不同的訓練方法，目標是找到最佳參數使模型能夠有效預測。

4. 評估模型 (Evaluate Model)

• 解釋：模型訓練完畢後，使用測試集來評估模型的性能。這是為了確保模型能夠泛化到未見過的資料，而不僅僅是在訓練資料上表現良好。常用的評估指標包括準確率、均方誤差、F1分數等，根據問題的性質選擇合適的指標。例如，在股票市場預測中，可以使用均方誤差來衡量預測股價與實際股價之間的差距。

5. 使用模型 (Use Model)

• 解釋：當模型通過評估後，證明其有良好的泛化能力，就可以在實際應用中使用模型了。這一步驟包括將模型部署到生產環境中，並使用其來進行實時預測或決策。例如，你可以將訓練好的股票市場預測模型部署到一個交易系統中，根據模型的預測來做出買賣決策。這也包括監控模型在實際使用中的表現，必要時進行模型更新或調整。

這五個步驟構成了機器學習專案的完整流程，從問題的定義到最終的應用，每一步都對最終結果有著至關重要的影響。