---
title: "機器學習（Machine Learning）"
slug: machine-learning
language: zh-TW
source: https://aiterms.tw/terms/machine-learning
updated_at: 2026-04-29
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。
>
### 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：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-machine-learning