解析：
SHAP 值基於 Shapley 值的概念，計算每個輸入特徵對單一預測結果的貢獻程度。它能公平地分配各特徵對模型輸出的影響，提供個別預測的可解釋性。
搜尋意圖： 如果你在找「機器學習 是什麼」、「機器學習 會怎麼考」或「機器學習 和相近概念差在哪」，先看這頁的定義、考點定位與延伸比較。
TL;DR： 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
實用情境： 適合用在 iPAS 複習、面試快查與閱讀 AI 文章時快速校正概念邊界。
下一步： 先讀完定義，再往下看範例考題與延伸比較，把概念轉成可作答的判斷。
你有沒有看過電腦不用人手寫規則，卻自己學會判斷？ 你可以把機器學習想成，先給電腦大量資料，再讓它自己抓規律。 它其實就是讓模型從資料中學出預測或分類的方法。 當規則很難手動寫完整時，機器學習通常就很有價值。
你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。
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
| 說法 | 出現場合 |
|---|---|
| 機器學習 | 台灣正式用語 |
| 机器学习 | 簡體寫法 |
| Machine Learning | 英文原名 |
| ML | 標準縮寫 |
| 機械學習 | 少見的舊譯法 |
三大學習範式
| 範式 | 資料長什麼樣 | 在學什麼 | 代表任務 |
|---|---|---|---|
| 監督式學習 | 有輸入也有正確答案 | 從輸入預測答案 | 分類、迴歸 |
| 非監督式學習 | 只有輸入，沒有答案 | 找出資料本身的結構 | 分群、降維、異常偵測 |
| 強化學習 | 沒有標準答案，只有環境給的獎勵 | 在環境裡採取行動最大化長期回報 | 遊戲、控制、推薦策略 |
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。
iPAS 考題
Q：機器學習和深度學習的關係是什麼？ 深度學習是機器學習的子集，兩者是包含關係。
Q：什麼情況適合使用機器學習？ 當資料很多、規則難以手寫，或問題需要從經驗中學習時很適合。
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。
範例考題
SHAP（SHapley Additive exPlanations）值常用於分析機器學習模型的輸出行為。下列何者最符合 SHAP 值所提供的資訊？
- A. 模型在訓練過程中，各特徵對損失函數收斂速度的影響程度
- B. 依據特徵對模型整體準確率的影響，自動篩除低重要性變數
- C. 在單一預測結果中，各輸入特徵對最終輸出所產生的貢獻分配 ✓ 正確答案
- D. 透過調整特徵權重，使模型在推論階段降低計算複雜度
某企業將機器學習模型部署於線上推薦系統。模型在測試階段表現良好，但上線數月後，點擊率與預測準確度逐漸下降。經分析發現，近期使用者行為模式與模型訓練期間的資料特徵出現顯著變化。此現象最可能屬於下列何者？
- A. 模型過度擬合訓練資料，無法泛化至未知樣本
- B. 特徵工程設計不佳，導致輸入資訊不足
- C. 資料統計特徵隨時間改變，影響模型推論效果 ✓ 正確答案
- D. 系統資料結構調整，造成特徵欄位錯置
解析：
使用者行為模式隨時間改變，導致訓練資料的統計特徵不再反映當前情況，這是典型的資料漂移（Data Drift）現象，會影響模型推論效果。