機器學習(Machine Learning, ML)是人工智慧領域的核心技術之一,其基本理念是讓電腦透過數據學習模式與規則,而非僅依靠人工編寫的固定指令。換言之,機器學習使系統具備「從經驗中改進」的能力,隨著資料的增加而不斷提升表現。
在技術分類上,機器學習可大致分為三類:監督式學習(Supervised Learning)、非監督式學習(Unsupervised Learning) 與 強化學習(Reinforcement Learning)。監督式學習常用於分類與迴歸問題,例如垃圾郵件辨識或房價預測;非監督式學習則多用於聚類與降維,例如顧客分群或特徵壓縮;強化學習則透過「試錯」與「獎勵機制」來學習策略,廣泛應用於遊戲 AI、機器人控制與自駕車領域。
在實務應用上,機器學習驅動了眾多技術進展,包括語音辨識、影像識別、推薦系統與金融風險分析。其核心方法涵蓋決策樹、支援向量機(SVM)、隨機森林以及深度神經網路等多種演算法。
然而,機器學習也面臨挑戰,例如訓練資料的偏差、模型的可解釋性與運算資源消耗等問題。未來的發展重點,將在於如何平衡效能與透明度,並在保障隱私與公平性的前提下,推動更具信任度的 AI 應用。