機器學習是熱門趨勢，受到各行各業的歡迎。圖：取自123RF
近年來，「機器學習」成為極其火熱的名詞，不僅在科技領域獲得廣泛運用，各行各業也都希望透過相關技術，提供客戶更好的服務體驗，然而「機器學習」的定義究竟是什麼？它主要分為哪些類型？與「人工智慧（AI）」又有什麼樣的關聯？此文將帶領讀者一次了解。
機器學習是人工智慧（AI）的其中一個分支，主要訓練電腦從龐大資料中不斷學習，透過經驗改善而逐步提升預測正確率，並將獲得的資訊運用至當下的情況，藉此做出完善且明智的決策，應用實例像是Netflix會根據用戶過往的喜好，推薦他們可能會喜歡的影片等。
機器學習主要可以分為四大類型，其一是「監督式學習（Supervised Learning）」，所有資料都會事先經過人為標註（label），例如想要教電腦區分蘋果和橘子，就提供電腦100張蘋果和橘子的照片，每張照片都先人工標註好是蘋果或橘子，電腦再依據這些標註好的照片偵測蘋果和橘子各自的特徵，按照這些特徵就能夠辨識出蘋果和橘子並進行預測。這個方式對於人類來說最為費工，對於電腦來說則最為簡單，因此預測正確率也相對高。
其二是「非監督式學習（Unsupervised Learning）」，所有資料都不會事先經過人為標註，而是電腦自行偵測資料特徵並將其分類，若以上述例子而言，就是提供100張水果的照片，但這次不會先標註好哪張是蘋果、哪張是橘子，讓電腦去尋找它們之間特徵的不同，未來以此為依據做出判斷。這個方式對於電腦來說最為困難，因此預測正確率也相對低。
其三是「半監督式學習（Semi-supervised Learning）」，部分資料會事先經過人為標註，電腦依據有標註的資料尋找特徵，再對剩下的資料進行辨識和分類，這是第一、二種方式的結合。若以同樣的例子來說，就是提供100張水果的照片，其中20張先標註好哪張是蘋果、哪張是橘子，電腦依據這20張標註好的照片偵測特徵，再去辨識和分類剩下的80張照片。
其四是「強化式學習（Reinforcement Learning）」，這是非監督式學習的延伸，所有資料同樣不會事先經過人為標註，而是電腦自行偵測資料特徵並將其分類，但與非監督式學習不同的是，當電腦分類不正確時，系統就會告訴電腦這是錯誤的，引導電腦修正並重新辨識，透過每次正確與錯誤的經驗去改善，逐步提升預測正確率，若以同樣的例子來說，就是提供100張未標註的水果照片，當電腦把蘋果辨識為橘子時，系統就會給予電腦錯誤的訊息。
原文出處：
https://www.1111.com.tw/news/jobns/146205
#機器學習#ML#人工智慧#AI#電腦#預測正確率#資料#標註#辨識#分類
