機器學習 是什麼？

Machine Learning — 機器學習 的完整解釋

機器學習讓電腦透過分析大量資料自動找出規律，無需明確程式指令即可完成預測與分類任務

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。

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。

機器學習 在 iPAS 考試中的重點

根據歷年統計，機器學習 相關題目 平均佔 AI 技術類考題 8%， 屬於高頻考範圍。

常見出題方向：機器學習基本原理與目的（40%）、模型訓練與泛化機制（40%）、過擬合與欠擬合辨別（20%）。

常見問題

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。

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。

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。