機器學習（Machine Learning, ML）介紹

機器學習是一種人工智慧（AI）的子領域，它讓電腦可以 從數據中學習模式與規則，而不需要人工明確編寫程式來完成每一個任務。換句話說，機器學習是讓電腦透過經驗「自己改進」的一種技術。

基本概念

1. 數據 (Data)
   機器學習的核心是數據，分為：

   • 訓練數據 (Training Data)： 用來教電腦學習模型。
   • 測試數據 (Test Data)： 用來驗證模型的效果。

2. 特徵 (Features)
   特徵是數據中用來描述物件的屬性，例如：

   • 房價預測：房屋面積、房間數、地點。
   • 圖像分類：像素值、顏色、形狀。

3. 模型 (Model)
   模型是電腦學習到的「規則集合」，它能夠將輸入數據映射到預測結果。

4. 目標 (Target / Label)
   目標是你希望模型預測的結果，例如：

   • 電郵分類：垃圾郵件或正常郵件。
   • 股票價格：明天的收盤價。

機器學習類型

1. 監督式學習 (Supervised Learning)
   • 有 輸入 和 對應的標籤。
   • 目標是學會從輸入預測標籤。
   • 例子：
     • 房價預測（回歸）
     • 圖片辨識貓狗（分類）
2. 非監督式學習 (Unsupervised Learning)
   • 只有 輸入數據，沒有標籤。
   • 目標是找出數據的結構或模式。
   • 例子：
     • 客戶分群（Clustering）
     • 主成分分析（PCA）
3. 強化學習 (Reinforcement Learning)
   • 透過 試錯法學習最佳策略。
   • 電腦透過獎勵或懲罰改進決策。
   • 例子：
     • 圍棋 AI、機器人導航
     • 自動駕駛

常用算法

• 線性回歸 (Linear Regression)
• 邏輯回歸 (Logistic Regression)
• 支持向量機 (SVM)
• 決策樹與隨機森林 (Decision Tree / Random Forest)
• 神經網路 (Neural Networks)
• K-均值聚類 (K-Means Clustering)

應用範圍

• 醫療：疾病診斷、藥物研發
• 金融：信用評分、風險管理
• 零售：推薦系統、銷售預測
• 自動駕駛：物體偵測、路徑規劃
• 自然語言處理 (NLP)：聊天機器人、翻譯系統

總而言之來說，機器學習就是讓電腦透過數據學習，從而自動完成決策或預測的技術。