2025 09 08左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 訓練機器學習時，會運用到許多不同的機器學習演算法 大致將各種演算法分為 4 種類型： 1.監督式學習 2.非監督式學習 3.半監督式學習 4.強化式學習常見的監督式學習演算法有： 1.線性回歸法（Linear Regression） 2.隨機森林法（Random Forest） 3.單純貝氏分類器（Naive Bayes Classifier） 常見的非監督式學習演算法有： 1. K-平均算法（K-Means Cluctering） 2. 主成分分析（PCA） 3. t-分布隨機鄰近嵌入（t-SNE） 常見的半監督式學習演算法有： 1.生成式對抗網路（Generative adversarial networks） 2.自學習貝氏分類器（Self-trained Naive Bayes classifier） 常見的增強式學習演算法有： 1.Q 學習（Q-Learning） 2.蒙特卡洛學習（Monte-Carlo Learning） 3.SARSA （State–Action–Reward–State–Action）

 

2025 09 08 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 訓練機器學習時，會運用到許多不同的機器學習演算法 大致將各種演算法分為 4 種類型： 1.監督式學習 2.非監督式學習 3.半監督式學習 4.強化式學習常見的監督式學習演算法有： 1.線性回歸法（Linear Regression） 2.隨機森林法（Random Forest） 3.單純貝氏分類器（Naive Bayes Classifier） 常見的非監督式學習演算法有： 1. K-平均算法（K-Means Cluctering） 2. 主成分分析（PCA） 3. t-分布隨機鄰近嵌入（t-SNE） 常見的半監督式學習演算法有： 1.生成式對抗網路（Generative adversarial networks） 2.自學習貝氏分類器（Self-trained Naive Bayes classifier） 常見的增強式學習演算法有： 1.Q 學習（Q-Learning） 2.蒙特卡洛學習（Monte-Carlo Learning） 3.SARSA （State–Action–Reward–State–Action）

 AI vs 機器學習 vs 深度學習

AI vs ML vs DL

人工智慧     目標是 讓機器  具有  人類的智慧

機器學習     從  大量資料   中找出規則，以 達到智慧化 的 目標

深度學習     機器學習 的其中一種方法，模仿人類大腦 的 類神經網路去分析數據資料

在訓練機器學習時，會運用到許多不同的機器學習演算法，

例如  線性回歸法、邏輯回歸法  等，

大致將各種演算法分為 4 種類型：

       1.監督式學習

      2.非監督式學習

      3.半監督式學習

      4.強化式學習

（一）監督式學習（Supervised Learning）

       監督式學習定義

       提供機器大量有歷史資料、有標記標籤的「輸入」和「輸出」資料配對分類。

       例如，我們給機器多組啤酒與葡萄酒的影像，並標記出哪些是啤酒，

       哪些是葡萄酒。

       機器會學習這些資料，並找出這些影像間的共同特徵，

      以分辨啤酒與葡萄酒。

      常見的監督式學習演算法有：

              1.線性回歸法（Linear Regression）

              2.隨機森林法（Random Forest）

              3.單純貝氏分類器（Naive Bayes Classifier）

      監督式學習例子

       推薦系統就是利用監督式學習，例如 Netflix 的影集推薦。

       Netflix 的推薦系統會根據用戶過去的觀看紀錄與行為，

       推薦用戶可能會喜歡的節目。

（二）非監督式學習（Unsupervised Learning）

      非監督式學習定義

       在非督導式學習模式中，輸入的資料多是 沒有標準答案、未標記與非結構化

       的資料。機器會使用  所有相關且可存取的資料  來識別  資料間的關聯性，

       並將資料分群。

     常見的非監督式學習演算法有：

         1.  K-平均算法（K-Means Cluctering）

         2.  主成分分析（PCA）

         3.  t-分布隨機鄰近嵌入（t-SNE）

       非監督式學習例子

       非監督式學習   可以解決各種商業問題，有助於企業快速探索大量資料，

       例如  銀行   用來監測交易  是否為   詐欺  或  機器人 活動  等  異常行為。

 （三）半監督式學習（Semi-supervised Learning）

         半監督式學習定義

         半監督式學習則是指，有一部分的資料有標記，另一部分則沒有。

         半監督學習會先用已標記過的資料訓練模型，之後再使用經過訓練的模型

         來標記  那些未標記的資料，直到所有資料 都被標記完成。

        常見的半監督式學習演算法有：

              1.生成式對抗網路（Generative adversarial networks）

              2.自學習貝氏分類器（Self-trained Naive Bayes classifier）

      半監督式學習應用

       半監督式學習經常應用在語音與語言分析，例如使用少量的語音數據

       來訓練模型，並利用大量的未標記語音數據來進一步學習，

       提高辨識的準確度。

（四）強化式學習（Reinforcement Learning）

          強化式學習定義

          強化式學習  也叫做 增強式學習，指機器在處理資料時，

          會像學生學習一樣，透過「獎勵和懲罰」來學習，每當它做出一個動作，

          就會得到一個「意見回饋」：如果這個動作是好的，它就得到「獎勵」，

           反之則是「懲罰」。

          透過不停的試錯，慢慢了解哪些動作是好的，哪些動作是壞的，

          最終找到最有效的處理資料路徑，達到最終目標。

         常見的增強式學習演算法有：

               1.Q 學習（Q-Learning）

               2.蒙特卡洛學習（Monte-Carlo Learning）

               3.SARSA （State–Action–Reward–State–Action）

         強化式學習應用

         強化式學習最知名的案例，莫過於 2014 年 Google DeepMind 開發的

         下圍棋軟體 AlphaGo。AlphaGo 一開始是使用監督式學習，

          不過由於學習與進步的速度太慢了，

          因此改使用強化式學習的方式提高棋力。