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
通常資料越多越好,但也要看問題難度和資料品質。
不是,它很依賴資料和目標,資料差時效果也會差。
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
- D透過調整特徵權重,使模型在推論階段降低計算複雜度
正解是 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
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。
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
- D系統資料結構調整,造成特徵欄位錯置
正解是 C:資料統計特徵隨時間改變,影響模型推論效果
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。
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
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