本文簡介人工智慧（Artificial Intelligence，AI）與機器學習（Machine Learning，ML）的關係，幫助讀者初步理解機器學習的核心概念。透過本文，讀者將能掌握 ML 的基礎知識與學習路線。機器學習系列文章將在後續的文章中，深入探討各項技術的原理與實作細節。
人工智慧與機器學習
人工智慧指的是模擬人類智能的電腦技術概念，使其能夠進行傳統電腦運算幾乎無法執行的任務，例如自然語言問答或多媒體內容生成（圖片、語音或影片等）。AI 是一個廣泛的技術概念，其中機器學習是最廣為人知且應用最廣泛的實作方式。Google DeepMind 的 AlphaGo 和 OpenAI 的 ChatGPT 都是機器學習技術的傑出成果。
什麼是機器學習？
機器學習是一種讓電腦自己從大量資料中找出規律，學會做預測的技術。它就像讓電腦從經驗中學習，而不是由人事先設定好所有的判斷方式。
以銀行評估房地產價格為例：銀行會收集大量的房產銷售資料，建立一個預測模型。當輸入房屋面積 x 時，模型能輸出預估市場價格 y。一個簡單的 ML 模型可表示為函數 y = wx + b。機器學習的核心，就是透過特定的演算法，從海量數據中推算出函數中的參數 w 和 b，從而表示房屋面積與價格之間的潛在關係。讓銀行能利用此模型預測房價，輔助貸款業務。
簡言之，機器學習是一種透過資料尋找最佳模型參數的技術，而模型則是描述事物關係的函數或更複雜的函數組合。
機器學習三要素
機器學習作為一種電腦運算技術，主要由以下三個核心要素構成：
- 模型架構（Model Architecture）：定義用來表示事物關係的函數或函數集合，例如使用
y = wx + b來描述房屋面積x與售價y之間的關係。 - 訓練資料（Training Dataset）：用於訓練模型的實際數據，例如包含房屋面積與對應售價的歷史交易記錄：20 坪賣 2,600 萬、30 坪賣 3,600 萬和 50 坪賣 5,500 萬。
- 學習演算法（Learning Algorithm）：用於從訓練資料中找出最佳模型參數的方法，例如使用梯度下降法（Gradient Descent）找出模型參數
w和b。梯度下降法是在機器學習中被大量採用的演算法，我們將在後續文章中詳細介紹其原理與應用。
機器學習的類型
從學習方式的角度來看，機器學習主要分成以下三種類型：
監督式學習
監督式學習（Supervised Learning）是指使用有預先標註資料的訓練方式。有些資料集在收集時已完成標註，如房地產交易資料；另外一些則是需要人工標註，例如 X 光片中的腫瘤區域或電子郵件中的垃圾郵件標記。其主要的兩種應用類型，如下：
- 迴歸（Regression）：模型輸出為連續數值，源於統計學的迴歸分析概念，例如預測 38 坪房屋的具體價值。
- 分類（Classification）：模型輸出為離散類別，例如判斷 1.5 公分的腫瘤是否為惡性腫瘤（通常輸出為
0或1）。如果採用複雜的模型能處理多於兩個類別的分類問題。
非監督式學習
非監督式學習（Unsupervised Learning）用於處理沒有或無法預先進行數據標註的資料，透過分析資料本身的結構來發現潛在的模式。其主要的兩種應用類型，如下：
- 分群（Clustering）：與分類不同，分群不依賴事先標註的資料標籤，而是透過資料本身的特徵來判斷哪些樣本彼此相近。例如在顧客行為分析中，根據消費頻率、金額與偏好，自動將顧客分為高價值、一般與潛在流失等不同群體，從而針對性地制定行銷策略。
- 異常偵測（Anomaly Detection）：是找出與大多數資料點顯著不同的少數樣本。例如在信用卡消費資料中，正常交易可能會形成明顯的群體，而離群點可能代表潛在的異常行為或詐騙。
強化學習
強化學習（Reinforcement Learning，RL）是一種強大的機器學習範式，透過設定獎勵機制，讓 Agent 在特定環境中學習如何採取行動以最大化累積獎勵，從而解決問題。
Agent 最初對環境一無所知，會透過隨機試探與環境互動。系統會根據其行動的結果給予獎勵或懲罰（例如，做得好加分，不好則扣分）。經過大量試錯與反饋，Agent 會逐漸學會如何在該環境中採取最佳的行動，最終實現自主解決問題。
強化學習廣泛應用於遊戲 AI、自動駕駛和機器人控制等領域。以格鬥遊戲 AI 為例：遊戲人物可執行前進、後退（防禦）、蹲下、跳躍、出拳、出腳等動作。我們可以設定獎勵機制：造成對手傷害則給予獎勵，自身受傷則扣除獎勵。經過大量遊戲訓練，AI 將學會如何最大化對手傷害並最小化自身傷害，並最終贏得對戰。
總結
- 人工智慧與機器學習的關係： AI 是一個廣泛的技術概念，而 ML 是實現 AI 最廣為人知且應用最廣泛的方式，讓電腦從資料中學習來進行預測或執行複雜的任務。
- 機器學習的核心機制與三要素： 機器學習的核心是讓電腦從大量資料中學習，發現規律並建立模型，進而進行預測。這過程涉及模型架構、訓練資料和學習演算法三大要素。
- 機器學習的三大類型：監督式學習（使用有標註的資料學習）、非監督式學習（處理無標註的資料並發現其隱藏結構）和強化學習（透過獎勵機制讓 Agent 學習如何在特定環境中採取最佳行動）。