四種核心機器學習方法解析！一文帶你掌握最新技術的秘密

編譯／莊閔棻

機器學習作為人工智慧（AI）的一個子項目，已成為最受歡迎的職業道路和學習目標之一。 作為一種數據分析方法，專家正在使用機器學習自動建立分析模型。透過機器學習，系統可以不斷發展並從數據中學習、識別模式，用最少的人為干預提供更有價值的見解。為了讓大家更了解機器學習的類型，並讓所有人都能掌握這項技術，外媒就為我們分析四種不同的機器學習類型。以下就將帶大家看看，不同類型的機器學習有哪些差異。

監督學習（Supervised Learning）

在這種類型的機器學習中，機器使用標記資料集進行訓練，並利用這些資訊預測未來的輸出，整個過程就建立於監督之上。標記資料有助於為機器設定策略路徑。 此外，訓練後也要不斷提供測試資料集，以檢查分析是否準確。該技術廣泛用於詐欺檢測、風險評估和件過濾垃圾郵件上。

更多新聞：在Apple工作做些什麼？解密蘋果機器學習與AI工作

無監督學習（Unsupervised Learning）

與監督學習技術不同，無監督學習不涉及監督。該技術將透過未標記和未分類的資料集訓練機器。 然後，他們在沒有監督或人工干預的情況下預測輸出。這種方法允許演算法在「沒有人工干預」的情況下從數據中進行推斷，並找到模式、集群和關聯性，讓機器能夠從輸入中發現隱藏的模式和趨勢。

在網路安全中，無監督學習則可用於聚類分析或分組，並查找以前不明顯的模式，如，它可以幫助識別來自特定民族國家的惡意軟體，或是找到看似不相關數據集之間的關聯性。如，判斷點擊網路釣魚電子郵件的人是否更有可能重複使用密碼等；另一個用例則是檢測異常，如檢測攻擊者是否正在使用非法取得的數據等。

半監督學習（Semi-Supervised Learning）

半監督學習則涵蓋監督學習方法和無監督學習方法的優缺點，透過在訓練期間，使用標記和未標記資料集的組合來訓練機器。需要知道的是，在現實世界中，大多數輸入資料集都是未標記的資料。因此半監督學習可以使用所有可用數據，而不僅僅是標記過的訊息，具有很高的成本效益。

強化學習（Reinforcement Learning）

在強化學習中，沒有標記數據的概念，機器只能從「經驗中」學習。AI將探索數據、記錄特徵，並從先前的經驗中學習，提高整體性能。當輸出準確時，AI會獲得獎勵，但當結果不理想時，AI就會受到懲罰。強化學習是一種教導AI模型透過試驗和錯誤找到最佳結果的技術，根據結果從演算法中獲得獎勵或懲罰。這個系統可以透過人類對機器表現的回饋，以評分、糾正和建議的形式得到加強。當現有訓練無法預測某些用例時，人們就需要透過RL重新訓練模型。

參考資料：emeritus

瀏覽 582 次