機器學習概論

2026-03-05

本篇文章整理了機器學習的相關筆記，內容涵蓋人工智慧各子領域的發展脈絡、機器學習的定義、應用情境、學習方式分類，以及實作過程中可能會遇到的挑戰和模型評估指標。透過這些筆記，讀者能夠對「機器學習」有一個全面的理解，並且掌握從資料準備、模型訓練到模型評估的基本流程和核心概念。

人工智慧、機器學習與深度學習的關係與定義

  • AI、ML、DL 與生成式 AI 的層級關係
  • 核心定義探討

AI、ML、DL 與生成式 AI 的層級關係

AI、ML、DL 與生成式 AI 的層級關係

從技術發展的脈絡來看，人工智慧（AI）是最廣泛的研究領域，機器學習（ML）屬於 AI 的一個子領域，而深度學習（DL）則是機器學習中的一個重要分支。近年來，生成式 AI（Generative AI）則主要基於深度學習技術，並成為其中的熱門應用之一。這些技術並不是孤立存在的，而是隨著每次突破而不斷進化。

核心定義探討

  • 人工智慧（AI）:旨在讓電腦模擬人類的思考與決策過程，並建立能夠像人類一樣解決問題的「智慧代理人」。
  • 機器學習（Machine Learning）:是一種資料驅動的方法，通過大量資料讓電腦學習其中的規律，並建立預測模型。
  • 深度學習（Deep Learning）：模仿大腦神經元的結構，利用多層神經網絡自動提取資料中的關鍵特徵。

什麼是機器學習？為什麼需要它？

  • 機器學習的定義
  • 機器學習解決了什麼問題？
  • 常見的應用領域

機器學習的定義

Arthur Samuel 在 1959 年提出機器學習的定義：「讓電腦在不明確寫出程式碼的情況下學習的領域」。

而學者 Tom Mitchell 在 1997 年的描述中則進一步規範了定義：如果一個程式在某個任務 (T) 上的表現（P）能夠隨著經驗（E）的增長而提升，那麼我們就可以說這個程式從經驗中學習了。

機器學習解決的問題

傳統解決問題的方法，如早期的垃圾郵件過濾器，通常需要手動編寫繁瑣的規則（例如針對某些促銷字眼寫 IF-ELSE 條件判斷）。但機器學習則能夠通過大量資料自動訓練並適應環境變化，特別適用於以下情境：

  • 規則過於複雜或經常變動的情況
  • 需要處理大量資料或變數的問題
  • 環境不斷變化，傳統方法難以應對的情況

機器學習的應用領域

機器學習在我們的日常生活中有著極為廣泛的應用，舉例來說：

  • 影像處理：如圖像分類、物件偵測、醫學影像輔助診斷（CAD）等。
  • 自然語言處理（NLP）：如情感分析、文章摘要、語音辨識、聊天機器人等。
  • 其他領域：例如語音助理（Siri、Google Assistant）、遊戲（AlphaGo）、信用卡詐欺偵測、推薦系統、數值預測等。

機器學習的種類

  • 依人類監督程度分類
  • 依學習方式分類（批量學習與線上學習）
  • 依學習方法分類（實例學習與模型學習）

依人類監督程度分類

  • 監督式學習（Supervised Learning）：資料帶有標籤，常見的應用包括分類問題（如垃圾郵件識別）與迴歸問題（預測數值）。
  • 非監督式學習（Unsupervised Learning）：資料無標籤，系統需自行發現資料的結構，常見的技術有分群（Clustering）、異常檢測（Anomaly Detection）與降維（Dimensionality Reduction）等。
  • 自監督式學習（Self-supervised Learning）：這是一種從完全無標籤資料中自動生成標籤的方式來訓練模型，例如生成式 AI 在圖像修復或物件移除中的應用。
  • 強化學習（Reinforcement Learning）：代理人（Agent）透過與環境的互動來學習如何選擇最佳行為，獲得獎勳或懲罰來改進策略。例如掃地機器人或 AlphaGo Zero。

依學習方式分類（批量學習與線上學習）

  • 批量學習（Batch Learning）：使用所有資料一次訓練模型，系統訓練完成後便不會再學習新知，若要適應新資料需要重新訓練。
  • 線上學習（Online Learning）：資料被切分成小批次來即時更新模型，使其快速適應資料變動，特別適合需要快速反應的場景，如股市或社交媒體分析。

依學習方法分類（實例學習與模型學習）

  • 基於實例的學習（Instance-based Learning）：系統不構建抽象的數學模型，而是將訓練資料保存下來，遇到新資料時直接比對相似的資料進行判斷，屬於懶惰學習（Lazy Learning）。
  • 基於模型的學習（Model-based Learning）：系統會根據資料訓練一個數學模型，並利用這個模型進行預測。這類方法常見於線性回歸、支持向量機等。

機器學習面臨的挑戰

  • 資料方面的挑戰
  • 模型方面的挑戰

資料面的挑戰

建立強大的機器學習模型需要足夠且高品質的資料，常見的挑戰包括：

  • 資料量不足：有些問題可能需要數千甚至數百萬筆資料，才能達到準確的預測效果。
  • 資料不具代表性：如果資料存在「抽樣偏誤」，可能會導致訓練出來的模型無法有效處理真實世界中的各種情況。
  • 資料品質差：不清洗、不準確或不一致的資料會嚴重影響模型的預測結果。

模型方面的挑戰

  • 過度擬合（Overfitting）：模型學習到訓練資料中的噪聲和細節，導致無法良好地泛化到新資料。解決方案包括簡化模型、增加資料量或使用正則化技術。
  • 欠擬合（Underfitting）：模型過於簡單，無法捕捉資料中的模式。解決方案包括選擇更複雜的模型或進行特徵工程。

資料集劃分與模型評估指標

  • 資料集的劃分
  • 混淆矩陣與評估指標

資料集劃分

為確保評估的客觀性，資料集通常會被劃分：

  • 訓練集（Training set，約 60–70%）：用於模型訓練，讓演算法學習資料特徵並擬合模型參數。
  • 驗證集（Validation set / Dev set，約 15–20%）：用於比較不同模型，並調整超參數。
  • 測試集（Test set，約 15–20%）：不參與訓練過程，僅在最後用來評估模型的實際表現。

混淆矩陣與模型評估指標

在評估分類模型（例如垃圾郵件過濾系統）時，通常會根據模型預測結果與實際標籤建立混淆矩陣（Confusion Matrix）。矩陣包含四種情況：

  • 真陽性（TP）
  • 真陰性（TN）
  • 假陰性（FN）
  • 假陽性（FP）

根據混淆矩陣，可計算出幾個常用的評估指標：

  • 準確度（Accuracy）：所有預測中正確的比例 (TP+TN)/(TP+TN+FP+FN)。
  • 精確度（Precision）：被模型判定為正例的資料中，實際為正例的比例 TP/(TP+FP)。
  • 召回度 / 靈敏度（Recall / Sensitivity）：所有實際正例中，被模型成功識別的比例 TP/(TP+FN)。
  • F1-Score：綜合精確度與召回率的指標 2×Precision×Recall/(Precision+Recall) 或 2TP/(2TP+FP+FN)。

總結

機器學習的核心價值在於從資料中學習規律並建立預測能力。本篇文章從 AI 的層級結構出發，說明機器學習如何成為人工智慧的重要基礎，並介紹了不同的學習方式：依是否具有標籤可分為監督式與非監督式學習；依學習時機可分為批次學習與線上學習；依歸納方式則可區分為實例式與模型式學習。

在實務應用中，一個成功的機器學習模型通常取決於以下三個關鍵面向：

  1. 資料品質：是否具備足夠、具代表性且經過適當清理的資料。
  2. 泛化能力：模型是否避免「過度擬合」與「欠擬合」，並能對新的資料維持良好的預測能力。
  3. 嚴謹的評估方法：透過訓練集、驗證集與測試集的合理劃分，並使用精確度、召回率與 F1-Score 等指標，客觀評估模型的實際表現。

簡而言之，機器學習並不只是選擇演算法，而是一個涵蓋資料品質、模型設計與評估方法的完整系統工程。

← Back to Blog