機器學習 是什麼？

Machine Learning：機器學習 的完整解釋

機器學習讓電腦透過分析大量資料自動找出規律，無需明確程式指令即可完成預測與分類任務

容易混淆

機器學習 vs 深度學習 深度學習是機器學習的一部分，通常靠多層神經網路學特徵。 一個是大傘，一個是子集合。

機器學習 vs 傳統程式設計 傳統程式設計是人先寫規則，機器學習是人先給資料。 一個靠規則，一個靠經驗。

最關鍵的區別： 先寫規則，還是先餵資料。

記住這句就好

資料夠好，模型才學得像樣。

實際案例

信用評分 銀行用歷史資料學出違約風險，讓審核更快也更一致。

商品推薦 電商看使用者點擊和購買紀錄，學出下一個可能想看的商品。

算法與應用

典型流程是資料收集、清理、特徵處理、模型訓練、評估和上線。 機器學習不是單一演算法，而是一整套從資料到決策的方法群。 資料品質、特徵設計和評估方式，常常比模型名字更重要。

中英對照與常見說法

三大學習範式

中間還有半監督式學習（少量標註加大量未標註）與自監督式學習（從資料本身構造預測任務，例如遮住一部分猜回來）。現在的大型語言模型與影像基礎模型，預訓練階段用的都是自監督式學習，這是它們能吃下網路規模資料的原因。

人工智慧、機器學習、深度學習的包含關係

人工智慧（AI） 是最大的傘，包含所有讓機器展現智慧行為的方法，包括早年純手寫規則的專家系統。

機器學習 是 AI 底下的一支，特色是從資料裡學規律，而不是由人把規律寫死。

深度學習 是機器學習底下的一支，用多層神經網路自動學特徵。

生成式 AI 是應用型態的分類，不是層級的一層，它多半用深度學習實作，但重點在於輸出是新內容而不是一個標籤或數字。

一句話：所有深度學習都是機器學習，所有機器學習都是 AI，但反過來都不成立。

完整流程與最容易出錯的地方

定義問題與成功指標、收集資料、探索與清理、切分訓練與驗證與測試集、特徵處理、訓練、評估、調參、部署、監控。

最容易出錯的兩步是第一步與第四步。

第一步，把商業問題翻譯成機器學習問題翻錯，後面做得再漂亮也沒用。「提高營收」不是機器學習問題，「預測哪些客戶下個月會流失」才是。

第四步，切分方式錯誤造成資料洩漏。時間序列資料必須依時間切，不能隨機切，否則等於用未來預測過去。同一個使用者的多筆資料必須整組分到同一邊，否則模型在測試集上看到的是它訓練時已經認識的人。

情境判斷

Q1（直覺題）： 當規則很難手寫完，該考慮哪一類方法？

→ 機器學習，因為它能從資料裡自己找規律。

Q2（判斷題）： 機器學習一定比手寫規則好嗎？

→ 不一定，簡單明確的問題，傳統規則反而可能更快更穩。

機器學習 在 iPAS 考試中的重點

根據歷年統計，機器學習 相關題目 平均佔 AI 技術類考題 8%， 屬於高頻考範圍。

常見出題方向：機器學習基本原理與目的（40%）、模型訓練與泛化機制（40%）、過擬合與欠擬合辨別（20%）。

常見問題

機器學習一定要很多資料嗎？

通常資料越多越好，但也要看問題難度和資料品質。

機器學習是不是什麼都能做？

不是，它很依賴資料和目標，資料差時效果也會差。

學機器學習最先該懂什麼？

先懂資料、特徵、模型和評估的關係，再去看各種演算法。