機器學習（Machine Learning）是讓機器從大量資料中自動學習規則，並根據這些規則對未知資料進行預測的過程。這與人類孩童認知世界的方式相似，透過不斷學習和觀察來歸納事物的規律。

機器學習的本質是透過大量樣本資料的訓練（training），讓機器獲得經驗（模型），從而產生預測新事物的能力（inference）。這種預測能力可以被視為是找到一個從輸入到輸出的函數（或稱對應關係），以揭示資料中隱藏的規律。

一、機器學習、資料探勘與資料分析的比較

這幾個概念的定義界線模糊，但可以從目標和側重點來區分：

• 資料分析（Data Analysis）：主要針對小規模資料，透過分析和總結已知資訊，得出有意義的結論。大數據分析（Big Data Analysis）則是在處理大規模資料時，對運算模式和方法上的差異的稱呼。
• 資料探勘（Data Mining）：範圍更廣，目標是從大量資料中「挖掘」出表層看不到的、有價值的資訊，並幫助人們進行決策。它常常使用機器學習技術來完成。
• 機器學習（Machine Learning）：最終目標是「預測」。它根據資料規律來預測未知資訊，從而帶來決策上的收益。

共同點：

• 都是從資料中提取資訊的過程。
• 都是數學與電腦結合的產物。
• 都能幫助人們進行判斷和決策。

二、機器學習的基本概念

1. 資料集、特徵和標籤

• 資料集（Dataset）：由多個樣本組成的結構化資料，通常以表格形式呈現。
• 樣本（Instances/Examples）：資料集中的每一筆觀測記錄，相當於表格中的一行。
• 特徵（Features）：用來解釋和預測結果的變數，相當於表格中的一列（自變量）。
• 標籤（Labels/Targets）：我們關注的最終結果，相當於表格中用來預測的那一列（因變量）。

2. 機器學習任務的分類

• 監督式學習（Supervised Learning）：資料集帶有標籤資料，透過學習已知標籤來進行預測。
  • 迴歸（Regression）：目標變量為連續型數值，例如預測房價。
  • 分類（Classification）：目標變量為離散型類別，例如判斷郵件是否為垃圾郵件。
• 非監督式學習（Unsupervised Learning）：資料集沒有標籤資料，目標是挖掘特徵資料中的資訊。
  • 聚類（Clustering）：根據資料分佈將樣本分組。
• 強化學習（Reinforcement Learning）：基於「行動-反饋」機制進行自我學習，以最大化獎勵為目標，通常應用於動態、瞬息萬變的環境中（例如遊戲AI）。
• 遷移學習（Transfer Learning）：一種加速學習的模式，將一個已訓練好的模型的參數應用於新的相關任務，而非從零開始學習。

3. 特徵資料類型
常見的特徵資料類型包括：

• 數值型（Numerical）：如溫度、價格。
• 分類型（Categorical）：如性別、地區。
• 文本（Text）：如姓名、地址。
• 日期（Datetime）：如2018-08-26。

4. 訓練集、驗證集和測試集
為了公平評估模型，資料集通常被分為三部分：

• 訓練集（Training Set）：用於訓練模型並確定參數。
• 驗證集（Validation Set）：用於模型的選擇與最佳化，幫助調整參數。
• 測試集（Test Set）：用於最終評估已訓練好的模型，檢驗其在未見過資料上的表現，避免「過擬合（Overfitting）」現象。

5. 機器學習任務流程
一個完整的機器學習任務通常包含以下六個步驟：

1. 資料導入：讀入結構化或非結構化資料。
2. 探索性分析：了解資料的初步特性。
3. 資料清洗：處理缺失值、異常值等問題。
4. 特徵工程：從原始資料中創造新特徵或轉換特徵格式。
5. 演算法選擇和最佳化：挑選合適的模型並調整參數。
6. 模型訓練和評估：使用訓練集訓練模型，並用測試集評估其性能。

其中，探索性分析、資料清洗和特徵工程統稱為「資料預處理」。