AITerms 登入
iPAS 初級 AI基礎模型訓練模型評估

機器學習(Machine Learning)是什麼?

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

完整定義

機器學習是一種人工智能的分支,用於使電腦系統能夠從資料中學習,而無需進行明確的程式設計。它能夠通過演算法分析資料,識別模式,並做出預測或決策。在 iPAS 考試中,機器學習是核心概念,需要理解其基本原理、常見演算法以及模型評估方法,為進一步學習深度學習等進階主題打下基礎。

白話說明

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。

記住這句

資料夠好,模型才學得像樣。

比喻:機器學習就像教小孩子學認字 -- 你給他看大量的字卡和圖片,他自己會從中找出「這個字長這樣」的規律,而不是你一個字一個字地教他怎麼寫程式來判斷,最後學會自己辨識。

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。

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。

演算法與應用

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
機器學習
出現場合
台灣正式用語
說法
机器学习
出現場合
簡體寫法
說法
Machine Learning
出現場合
英文原名
說法
ML
出現場合
標準縮寫
說法
機械學習
出現場合
少見的舊譯法

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。

範式
監督式學習
資料長什麼樣
有輸入也有正確答案
在學什麼
從輸入預測答案
代表任務
分類、迴歸
範式
非監督式學習
資料長什麼樣
只有輸入,沒有答案
在學什麼
找出資料本身的結構
代表任務
分群、降維、異常偵測
範式
強化學習
資料長什麼樣
沒有標準答案,只有環境給的獎勵
在學什麼
在環境裡採取行動最大化長期回報
代表任務
遊戲、控制、推薦策略

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

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?

  1. 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
  2. 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
  3. 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
  4. D透過調整特徵權重,使模型在推論階段降低計算複雜度
到題目頁作答

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?

  1. A模型過度擬合訓練資料,無法泛化至未知樣本
  2. B特徵工程設計不佳,導致輸入資訊不足
  3. C資料統計特徵隨時間改變,影響模型推論效果
  4. D系統資料結構調整,造成特徵欄位錯置
到題目頁作答

出現在這些考古題

官方公告試題的逐題解析裡,這 3 題把機器學習列為延伸術語。

立即測驗

想測試你對 機器學習 的掌握程度?用考古題作答

相關術語

本頁內容有提到,或屬於同一組主題的術語

來源

參考來源:ipd.nat.gov.tw

考試範圍:iPAS AI 應用規劃師評鑑內容範圍參考(115.02 更新),經濟部產業人才能力鑑定,實際考試內容以官方公告為準。

其他格式:Markdown 版本