---
title: "機器學習（Machine Learning）"
slug: machine-learning
language: zh-TW
source: https://aiterms.tw/terms/machine-learning
updated_at: 2026-07-29
tags: [AI基礎, 模型訓練, 模型評估, iPAS初級]
ipas_term: true
---

# 機器學習（Machine Learning）

> **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
> **Q：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。
>
> **Q：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。
>
> **Q：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。
>
### 相關術語
> - **深度學習**：先看大類，再看子集合會更好理解。
> - **資料前處理**：機器學習很常在這一步決定成敗。
> - **交叉驗證**：評估模型時很常用。
> - **特徵工程**：很多經典機器學習模型都非常吃這個。

---

來源：https://aiterms.tw/terms/machine-learning
快查頁：https://aiterms.tw/terms/machine-learning
外部參考：https://ipd.nat.gov.tw/ipas/certification/AIAP/news/ffdba0fcdbda40baadeef2a1bdc0230e
最後更新：2026/07/29
深度解說：https://aiterms.tw/learning/what-is-machine-learning