iT邦幫忙

2025 iThome 鐵人賽

DAY 1
1

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)
    • 輸入對應的標籤
    • 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


系列文
Machine Learning之於feature mapping1
圖片
  熱門推薦
圖片
{{ item.channelVendor }} | {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言