影音串流龍頭YouTube近日宣布，將正式移除已上線十年之久的「發燒影片」（Trending）頁面。這項變革主要希望能提升用戶體驗，未來將由全新推出的「YouTube 排行榜」（YouTube Charts）取而代之，以更精細的分類滿足多元內容的探索需求。記者孟圓琦／編譯

影音串流龍頭YouTube近日宣布，將正式移除已上線十年之久的「發燒影片」（Trending）頁面。這項變革主要希望能提升用戶體驗，未來將由全新推出的「YouTube 排行榜」（YouTube Charts）取而代之，以更精細的分類滿足多元內容的探索需求。

[caption id="attachment_181961" align="alignnone" width="1200"] YouTube近日宣布將移除「發燒影片」功能，改以「YouTube 排行榜」取代。(圖/123RF)[/caption]

根據外媒《GAMERANT》指出，YouTube自2015年推出「發燒影片」頁面，旨在彙整平台上熱門且病毒式傳播的內容。然而，隨著YouTube生態系的蓬勃發展，內容類別與次類型急遽擴張，導致「發燒影片」頁面難以有效統整所有熱門趨勢，對於特定興趣領域的用戶而言，資訊過載反而降低了實用性。官方指出，這也導致該頁面的流量逐漸下滑。

延伸閱讀：
AI機器人詐騙來襲 YouTuber Kitboga靠扮成「老人」成功反擊
YouTube推出兩大AI新功能 直接幫你找出亮點片段超省時
AI虛擬YouTuber「Bloo」爆紅 靠AI創作年收千萬

未來，「YouTube 排行榜」將接替「發燒影片」頁面的功能，提供用戶更具組織性的熱門內容瀏覽體驗。目前，該頁面已規劃有「熱門音樂影片」、「熱門Podcast」及「熱門電影預告片」等子類別排行榜，並計畫未來加入更多元化的分類。至於遊戲相關的熱門影片，用戶可暫時透過「遊戲探索頁面」查找，其中包括遊戲實況、遊戲預告等內容。

[caption id="attachment_181964" align="alignnone" width="1200"] YouTube認為，更具分類導向的「YouTube 排行榜」有望提升用戶尋找特定內容的效率。(圖/123RF)[/caption]

YouTube同時強調，個人化推薦機制仍將持續運作，透過用戶的觀看歷史、喜好、訂閱內容等多重因子，持續提供量身打造的影片推薦。此次變革的具體影響仍待市場觀察，但分析人士認為，相較於過去大雜燴式的「發燒影片」頁面，更具分類導向的「YouTube 排行榜」有望提升用戶尋找特定內容的效率，並可能成為用戶日常瀏覽的新選擇。

資料來源：gamerant

這篇文章 YouTube發燒影片頁面將走入歷史！改以「這功能」上線取代 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

機器學習是熱門趨勢，受到各行各業的歡迎。圖：取自123RF 近年來，「機器學習」成為極其火熱的名詞，不僅在科技 …

近年來，「機器學習」成為極其火熱的名詞，不僅在科技領域獲得廣泛運用，各行各業也都希望透過相關技術，提供客戶更好的服務體驗，然而「機器學習」的定義究竟是什麼？它主要分為哪些類型？與「人工智慧（AI）」又有什麼樣的關聯？此文將帶領讀者一次了解。

機器學習是人工智慧（AI）的其中一個分支，主要訓練電腦從龐大資料中不斷學習，透過經驗改善而逐步提升預測正確率，並將獲得的資訊運用至當下的情況，藉此做出完善且明智的決策，應用實例像是Netflix會根據用戶過往的喜好，推薦他們可能會喜歡的影片等。

機器學習主要可以分為四大類型，其一是「監督式學習（Supervised Learning）」，所有資料都會事先經過人為標註（label），例如想要教電腦區分蘋果和橘子，就提供電腦100張蘋果和橘子的照片，每張照片都先人工標註好是蘋果或橘子，電腦再依據這些標註好的照片偵測蘋果和橘子各自的特徵，按照這些特徵就能夠辨識出蘋果和橘子並進行預測。這個方式對於人類來說最為費工，對於電腦來說則最為簡單，因此預測正確率也相對高。

其二是「非監督式學習（Unsupervised Learning）」，所有資料都不會事先經過人為標註，而是電腦自行偵測資料特徵並將其分類，若以上述例子而言，就是提供100張水果的照片，但這次不會先標註好哪張是蘋果、哪張是橘子，讓電腦去尋找它們之間特徵的不同，未來以此為依據做出判斷。這個方式對於電腦來說最為困難，因此預測正確率也相對低。

其三是「半監督式學習（Semi-supervised Learning）」，部分資料會事先經過人為標註，電腦依據有標註的資料尋找特徵，再對剩下的資料進行辨識和分類，這是第一、二種方式的結合。若以同樣的例子來說，就是提供100張水果的照片，其中20張先標註好哪張是蘋果、哪張是橘子，電腦依據這20張標註好的照片偵測特徵，再去辨識和分類剩下的80張照片。

其四是「強化式學習（Reinforcement Learning）」，這是非監督式學習的延伸，所有資料同樣不會事先經過人為標註，而是電腦自行偵測資料特徵並將其分類，但與非監督式學習不同的是，當電腦分類不正確時，系統就會告訴電腦這是錯誤的，引導電腦修正並重新辨識，透過每次正確與錯誤的經驗去改善，逐步提升預測正確率，若以同樣的例子來說，就是提供100張未標註的水果照片，當電腦把蘋果辨識為橘子時，系統就會給予電腦錯誤的訊息。

這篇文章 「機器學習」究竟是什麼？定義、四大類型一次看 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。