華碩商用29日宣布，為因應生成式AI與混合辦公模式盛行，以及企業面臨的資安威脅日益複雜，已和台智雲、華碩雲端、台灣信威資訊、孚朗及偉康科技5大夥伴合作，推出7大核心解決方案產品。記者孫敬／台北報導

PC大廠華碩；旗下華碩商用29日宣布，為因應生成式AI與混合辦公模式盛行，以及企業面臨的資安威脅日益複雜，已和台智雲、華碩雲端、台灣信威資訊、孚朗及偉康科技5大夥伴合作，推出7項資安解決方案產品，涵蓋企業端點管理、虛擬運算主機、雲端／地端儲存安全管理、檔案軌跡管理、資料抹除服務、無密碼FIDO身分認證。

延伸閱讀：立院初審通過資安法修法 關鍵基礎設施未通報資安事件最高罰千萬

[caption id="attachment_175187" align="aligncenter" width="2560"] 華碩商用宣布與5大夥伴合作，推出7大核心解決方案產品。（圖／華碩）[/caption]

七大方案整合落地資安防線

華碩商用觀察，數位轉型的關鍵不僅在於善用硬體科技，更需以軟體與服務穩固資安防線，確保營運零中斷、資料零外洩。因此，華碩商用這次跟5大夥伴合作，全面升級資安布局，推出整合硬體、軟體與服務的全方位解決方案，協助企業從容迎戰新型態攻擊。

未來在7大核心解決方案產品的導入，將由「華碩商用小隊」從資安風險評估到部署導入，為企業打造符合其需情的防禦架構。「身為台灣商用電腦市場領導品牌，華碩以領先硬體為基石、以全面服務為延伸、以豐富資源合作為擴展，再結合強大的經銷夥伴優勢，持續深耕台灣市場。」華碩聯合科技系統事業總經理廖逸翔表示。

此次推出的解決方案分為七大項目，協助企業從風險評估、部署導入到後續管理建構完整防禦體系：

• ASUS Control Center（端點管理）：提供集中化IT管理解決方案，提供企業自行管理的端點管控應用，以掌握設備資產使用情形。包括遠端監控、硬體與軟體管理，以及資產追蹤功能。
• 台智雲／虛擬運算主機：透過彈性配置CPU、記憶體、儲存空間，企業能依業務需求快速擴展或縮減資源，適用於開發測試、網站架設、資料分析。
• ASUS Webstorage／雲端儲存安全管理：雲端資料集中管理，可隨時隨地存取、同步與分享檔案，企業方案更提供權限管理、版本控制等進階功能。
• ASUS OmniStor／地端儲存安全管理：提供高彈性架構無限擴充整合，多層資安防護機制，如分散儲存資料、即時告警、同步建立停損機制等，確保資料安全與高可用性。
• 台灣信威goPatrol／檔案軌跡管理：系統可精確追蹤檔案的建立、存取、修改、分享與刪除等所有活動，產出完整稽核紀錄，另有即時告警與報表分析功能。
• 孚朗blancco／資料抹除服務：提供安全資料清除技術，確保企業機敏資訊在設備汰換、回收或轉售時徹底被銷毀，支援多種儲存裝置抹除服務，產出防篡改的數位簽章抹除報告。
• 偉康OETH／零信任架構下的無密碼身分認證：OETH採用國際FIDO標準無密碼技術，可彈性部署雲端與落地，並以真正無密碼FIDO公私鑰加密技術結合生物辨識，整合至多元企業應用系統平台。

這篇文章 華碩商用攜5大夥伴 推7項資安解決方案打造「資安零漏洞」防線 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

不說你可能不知道，雲端運算早就已經存在我們的生活之中。打開你的手機，每天使用的電子信箱、網路相簿、儲存空間，譬如Google Drive、Office 365、Dropbox，大部分都已經是跑在雲上，這是第一層，最直接接觸到你我，也就是消費者。

作者：黃婉中（雲端架構師）

說明為什麼ISV也上雲

不說你可能不知道，雲端運算早就已經存在我們的生活之中。打開你的手機，每天使用的電子信箱、網路相簿、儲存空間，譬如Google Drive、Office 365、Dropbox，大部分都已經是跑在雲上，這是第一層，最直接接觸到你我，也就是消費者。

每天在瀏覽貼文時，社群媒體需要針對顧客群的喜好做投放，增加品牌客戶的成交率。譬如登山襪廠商在下廣告的時候，一定希望能夠鎖定有購買意圖的顧客下廣告，才能夠確認錢花在刀口上，不會像以前一樣，只能電視上播廣告、報紙上刊登廣告，無差別投放，效率差太多。

要怎麼才能鎖定有購買意圖的潛在消費者？需要蒐集足夠的資料後，在資料倉儲上整理。而販售資料倉儲的廠商，例如Snowflake、Databricks等，也早就運行在雲上。這是第二層，從行銷角度，間接跟我們接觸。

接著，這些品牌客戶，譬如剛才提到的登山襪廠商，要怎麼確定儲存的這些客戶資料，包含客戶姓名、電話、甚至信用卡號等，能夠安全的被儲存，不用擔心駭客的惡意攻擊和竊取？知名的防毒解決方案公司如TrendMicro、AvePoint提供雲端方案，讓品牌客戶無論在世界的哪個角落，都能夠保護資料安全。

因此，無論你有沒有感覺到，雲端運算已經充斥著我們的生活、每個人多少也曾在雲端留下足跡。

為什麼要運行在雲上？

如果我是這些解決方案的開發商，本來寫程式，放在光碟或是在網路上裡販賣，日子過得好好的，為什麼要改放在雲上呢？

好處：

• 更快賺錢、賺更多錢：可以讓客戶一鍵下單、一鍵部署
• 瞬間接觸到以往接觸不到的客戶：不用大老遠跑到歐洲設立銷售點、研究物流寄送光碟。
• 資安：透過公有雲廠商的資安機制，保護智慧財產安全
• 快速回應市場：同個測試，跑得更快
• 雲端廠商幫你加持：這個軟體被知名廠商（例如Microsoft、Google、Amazon）認證過，不用擔心是惡意軟體
• 成本彈性、靈活：將開發也搬上雲端，不需要建置自家機房跑測試，需要時才用

風險：

• 慎選平台，如果太小，客戶也會質疑你是不是把軟體運行在一些小廠商上，隨時會倒、消失

什麼是獨立軟體提供商（Independent Solution Vendor）

獨立軟體供應商（Independent software vendor，簡稱ISV），指開發和發銷售專業軟體的公司。 這類公司通常為特定行業提供解決方案。

譬如飯店業的訂房系統，雖然一樣是線上交易，但與其他行業的需求不一樣。近年來人工智慧的發達，需要能夠透過分析競品的價格及時調整售價，這些功能都在其他產業看不到，因此使用一般的電商系統並不能滿足需求。相應的軟體解決方案因運而生，由獨立軟體提供商，開發功能、提供方案。

有哪些獨立軟體提供商已經運行在雲上

舉凡文章開頭提到的電子信箱提供商、儲存空間等，全部都是軟體提供商。為了要能夠更快速回應市場、招來更多客戶，近年積極與雲端運算商合作，將自家解決方案放上公有雲。

以我熟悉的Azure來說，舉幾個比較接近消費市場的例子：Wordpress、Dropbox、TrendMicro、Citrix、MongoDB、Snowflake。

此外，SAP和BlueYonder也是企業中常見的。

SAP

企業資源規劃系統，也就是大家常說的ERP（Enterprise Resource Planning），整合採購、進銷存、財務與生產，是關鍵系統。

BlueYonder

提供供應管理、預測需求、庫存規劃的解決方案，我見到許多有物流、零售、原物料整合需求的客戶使用。

結語

從上述這些例子可以發現，如果想使用最新的技術，實現自己或是組織的目標，該問的問題已經不是「該不該上雲」，而是「如何上雲」。如果我們足夠了解雲端運算，就可以為自己找到合適的產品。

這篇文章 害怕上雲嗎？其實你早就在用雲端運算了｜專家論點【黃婉中】 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

資料科學是以知識探索為目的的一種方法，如何將資料一層一層挖掘出有價值的知識？搭配電腦科學的角度來看，「數位化」與「人工智慧」的導入，其實是在加快知識管理的流程。

資料科學是以知識探索為目的的一種方法，如何將資料一層一層挖掘出有價值的知識？搭配電腦科學的角度來看，「數位化」與「人工智慧」的導入，其實是在加快知識管理的流程。簡單來說，資料科學一種從資料到決策的過程。在資料科學當中有一句名言是這樣說的：

資料和特徵決定了機器學習的上限，而模型和演算法只是逼近這個上限而已。

因此，資料在整個分析的過程中扮演非常重要的角色。在真正開始進行分析之前，會建議先透過一些簡單的觀察對資料先有初步的認識。

如何定義一個「資料」專案？

開始一個資料為主的專案時，心中必須先快速想過幾個問題：

• 我們想要解決的問題是什麼？
• 會需要用到什麼數據？
• 資料的來源有什麼？
• 數據的類型跟種類有什麼？
• 適合用什麼樣的模型？

你會發現「模型」是最後才會想到的，前面比較重要其實是「資料」這件事。因此整個資料科學的核心，還是從資料開始定義問題。

以同一份的資料來說，可以定義成監督式學習，也可以用非監督式學習的角度切入，就看你從哪個問題切入。

觀察資料的 N 件事

那真正要開始一個專案的時候，會先收集一堆的資料準備分析。而在真正開始進行分析之前，會建議先初步觀察手邊資料，讓自己對資料先有第一層的認識。一方面有助於我們進行資料預處理，另一方面在進行特徵工程時可以給我們一些思路。

這邊向大家分享我自己在拿到資料之後的操作流程，希望透過系統性的方式來建立對資料的感覺。身為資料分析者的敏銳，我們在意的點環繞在「資料的樣⼦是什麼？」，主要可以分為兩個大方向：

• 有多少資料？
• 處理上可能會遇到什麼問題？

再往下思考，可以分成更多的小問題：

根據我自己的實務經驗，透過以下的步驟看快速的查閱資料：

1. 先認識資料欄位
2. 快速檢閱資料樣貌
3. 定義資料類型
4. 類別資料看分佈、連續資料看範圍
5. 比較資料間的關係

① 先認識資料欄位

首先，在使用資料之前請務必詳閱「資料說明書」。所謂資料說明書也就是向「資料提供者」請益，很多資料再使用者會經由編碼、縮寫處理，可能難以從資料內容就看懂資料是什麼涵義。或者有些資料本身就具備高度專業性，例如：醫學、製程這一類的數據，初期多半需要仰賴專家的知識補充。

需要知道每個欄位所代表的涵意與數值範圍是什麼。

② 快速檢閱資料樣貌

接下來開始打開資料來看一下，快速檢閱資料的樣貌、形狀。在這裡的樣貌指的是資料有多大多寬，換句話說這一份資料當中有多少個欄位與多少筆資料。

資料量決定使用怎樣層級的工具，假如是 20 筆資料可能手算一算就好。但是如果是 2 萬筆資料、200 萬筆資料，甚至是 2 億筆的資料在工具的選擇上就會有差。差別主要是可以分成三個階段：「用套裝軟體」→「自己程式」→「分散式架構」，根據資料大小來決定工具的需求。

最近就有一個經典的案例：英國少算近1.6萬武漢肺炎病例疑因資料超出Excel上限、英國少算逾1.5萬名武漢肺炎確診患者，疑因超過Excel限制，就是一個沒有考慮的資料量與工具所導致的嚴重問題。

③ 定義資料類型

外部的形狀看完之後，就會進入資料內容來看。會建議用欄位為單位去看，因為在這個階段時我們還沒辦法好好去看資料內容，先從「感覺」的部分觀察就好。

這裡我們先把所有的欄位分成不同的類型：

• 類別型：資料內容是有限個字串所組成的集合
• 數值型：資料內容是可以計算的數字

或是其他非結構型資料，例如時序型、文本型或影像型的資料。

④ 類別資料看分佈、連續資料看範圍

接下來會針對不同的類型的欄位來看，如果是類別型的資料的話會看分佈的情形，有多少種資料、資料的分布狀況等等的。如果是連續資料的話看範圍，會去看一下最大最小值或是標準差的大小，其實就是用統計的方式去看資料。

⑤ 比較資料間的關係

個別欄位看完之後，會來一下「欄位間」的關係，其實就是去比較欄位跟欄位之間的相關係數。有一種常見的手法會計算任兩個欄位的相關係數形成一個相關係數矩陣（Correlation Matrix），通常會搭配熱點圖（Heatmap）做視覺化。透過圖表，可以讓我們一目瞭然哪些欄位是高度相關的。

你懂資料，資料就會幫你

使用資料前，要先跟資料培養感情。對資料的熟悉程度，是可以幫助你在後續的資料前處理或模型分析都先有一層的把握。以上雖然列出很多項目，不過實務上可以在拿到資料後快速的檢查這五點項目。整體看過一輪，差不多就是一個小時內的工。

• 先認識資料欄位 → 確定資料欄位的意義跟來源
• 快速檢閱資料樣貌 → 資料量決定使用怎樣層級的工具
• 定義資料類型 → 將欄位分成數字跟類別
• 確認類別資料分佈 → 非數值欄位資料我們在意分佈
• 確認連續資料範圍 → 數值欄位資料我們在意範圍
• 比較資料間的關係 → 利用相關性矩陣跟熱點圖觀察欄位間的關係

嗨，我是維元，目前是一名資料科學與網頁開發的雙棲工程師。近期也擔任科技島社群的駐站專家，持續分享發表對 #資料科學、 #網頁開發 或 #軟體職涯 相關的文章。如果對於內文有疑問都歡迎與我們進一步的交流，都可以追蹤資料科學家的工作日常 Facebook 粉專 或 Instagram 帳號，也會不定時的舉辦分享活動，一起來玩玩吧！

這篇文章 資料分析的起手中，你可以這樣觀察資料｜專家論點【維元】 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

資料探索通常在資料清理後，拿到乾淨的資料開始對資料進行的一個探索的過程，旨在瞭解資料的屬性與分佈，發現數據一些明顯的規律，這樣的話一方面有助於我們進行資料預處理，另一方面在進行特徵工程時可以給我們一些思路。

資料探索通常在資料清理後，拿到乾淨的資料開始對資料進行的一個探索的過程，旨在瞭解資料的屬性與分佈，發現數據一些明顯的規律，這樣的話一方面有助於我們進行資料預處理，另一方面在進行特徵工程時可以給我們一些思路。
一般會以不同操作資料方式解答我們對資料所困惑的地方，並透過不斷循環「觀察資料發問問題」、「探索資料解答問題」兩個動作來增加對資料的知識量，且在進入訓練模型階段前，資料探索可以提供資訊來決策所要用模型、合適的特徵欄位，增強模型穩定度與精準度。

資料探索是一種「初步觀察與了解資料特性」的分析過程

常見的資料探索手法包含一般化、量化與視覺化三種方式；一般化根據資料的樣貌概括性了解資料特性與分佈；量化方式可以利用描述統計，試圖了解變量間的量化關係；視覺圖表能夠以圖像化的觀點，探索資料間的趨勢分佈。
雖然探索與視覺化這件事本身對於模型是沒有「直接」價值的，不過資料視覺化能夠幫助分析者更加認識資料，有助於進一步對資料做調整，間接達到讓最終分析效果提升的目的。不過在實務上有另外一派說法，認為這樣做可能會介入人為的主觀判斷，導致資料被污染或是被干預。
基本上我們還是會建議拿到資料之後，還是可以進行資料探索的環節，只是真的要對資料操作前務必確認再三。常見的資料探索可以分為「一般化 Generalize（Data Description）」，根據觀察資料的樣貌，概括性的了解資料特性；「量化（Quantitative）」，利用描述統計來量化資料，試圖了解「變量」與「變量間」的關係；「視覺化 （Data Visualization）」，利用視覺與圖表的方式來了解資料的特性。

而其中最常見的方法式資料視覺化（或稱為資料可視化（Data visualization）），被許多學科視為與視覺傳達含義相同的現代概念，涉及到資料的視覺化表示的建立和研究。為了清晰有效地傳遞資訊，資料視覺化使用統計圖形、圖表、資訊圖表和其他工具。 可以使用點、線或條對數字資料進行編碼，以便在視覺上傳達定量資訊。
簡單來說，資料視覺化是一種用圖像表示資料的表現方式。利用視覺化圖表探索資料主要有三個目的：

1. 快速了解資料的特性
2. 發現尋找資料的趨勢
3. 降低資料的理解門檻

最後務必切記，資料視覺化是由「設計」、「故事」與「資料」三者組合而成，目的在於用好的設計串起資料與故事。因此在設計上不求太過花俏絢麗的方式，更多的是對於資料能否客觀有效地呈現，提供使用者從中探索出規則。
因此「圖表」還是一個比較主流的視覺化方式，而非過於客製化或設計感過強的圖形。

嗨，我是維元，目前是一名資料科學與網頁開發的雙棲工程師。近期也擔任科技島社群的駐站專家，持續分享發表對 #資料科學、 #網頁開發 或 #軟體職涯 相關的文章。如果對於內文有疑問都歡迎與我們進一步的交流，都可以追蹤資料科學家的工作日常 Facebook 粉專 或 Instagram 帳號，也會不定時的舉辦分享活動，一起來玩玩吧！

這篇文章 從資料到解讀，資料探索的常見手法｜專家論點【維元】 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

在真實的世界中，資料往往沒有想像中的「乾淨可用」，而且包含個各種多元的樣態。資料可能存在有資料遺失（Incomplete / Missing data）、雜訊（Noise）、離異值（Outliner）等等的問題，這樣的資料會導致模型無法正常運算。因此，再進入分析演算法之前需要對資料進行處理跟調整，這個過程泛稱為資料前處理（Data Preprocessing）。

在真實的世界中，資料往往沒有想像中的「乾淨可用」，而且包含個各種多元的樣態。資料可能存在有資料遺失（Incomplete / Missing data）、雜訊（Noise）、離異值（Outliner）等等的問題，這樣的資料會導致模型無法正常運算。因此，再進入分析演算法之前需要對資料進行處理跟調整，這個過程泛稱為資料前處理（Data Preprocessing）。
資料前處理的目的是將原始資料中轉成適合模型可以存取的資料，那什麼是「適合模型的資料」呢？簡單來說，「模型可以學習（Learniable）」的資料指的是能夠經由數學模型存取的資料格式，也就是數學上的「向量」或是「矩陣」的樣子。
實務上，除了「有問題的資料」之外，還有另外一種需要處理的資料是「無法進行數學運算」的資料，像是「字串」或是「非結構型」的資料。其中有一種非結構型的資料是文本型態的資料，這就是難以直接使用的樣子之一。

文本型態資料就是由一堆文字或字串所組成的資料，又稱為「自然語言處理」或是「文字探勘」，是人工智慧的分支。自然語言處理（ NLP = Natural Language Processing ）是人工智慧和語言學領域的分支學科。
此領域探討如何處理及運用自然語言，包括認知、理解、生成等部分。自然語言認知和理解是讓電腦把輸入的語言變成有意思的符號和關係，然後根據目的再處理。
自然語言生成系統則是把計算機數據轉化為自然語言。自然語言是計算語言科學，是語言學與計算機科學的混合學科。在語言學中，有同義詞、歧義性、情感傾向或反串語氣的議題需要挑戰；電腦計算也有編碼問題、斷詞問題或語意分析等等的問題。

自然語言的目的，就是要讓電腦「讀懂」自然語言文字，所謂的「讀懂」是指能夠被數學與程式中可以計算的格式。而文字探勘則是近一步從文本資料中找出關係的一種技術與方法。文章本身是一種非結構化的資料，無法直接被計算，透過一系列的拆解才能讓電腦可以讀懂人類的文字。
而實際上我們要如何讓電腦讀懂文字？可以分成三個步驟：斷詞 → 語意 → 解讀，其中：

1. 利用「詞袋」模型與「詞向量」斷詞拆解單字
2. 用文本分類與句子相似性，解析句子了解語意。
3. 最後，分析文本重要性與命名實體識別解讀整句語句。

目前文字探勘的一種典型應用是「語言模型」，它是一種基於概率統計的模型，主要的目標是描述字 / 詞在句子中的概率。同時，語言模型是從大量的語料信息中訓練出的模型，它「學習」到的詞的概率是通用語義的信息，可以和很多實際應用相結合，尤其是在一些基於統計模型的領域，如語音識別、分詞、情感分析以及機器翻譯等領域，有著廣泛的應用。
另一種典型的應用是「機器翻譯」，屬於計算語言學的範疇，其研究藉由電腦程式將文字或演說從一種自然語言翻譯成另一種自然語言。簡單來說，機器翻譯是透過將一個自然語言的字辭，取代成另一個自然語言的字辭。藉由使用語料庫的技術，可達成更加複雜的自動翻譯，包含可更佳的處理不同的文法結構、辭彙辨識、慣用語的對應等。

嗨，我是維元，目前是一名資料科學與網頁開發的雙棲工程師。近期也擔任科技島社群的駐站專家，持續分享發表對 #資料科學、 #網頁開發 或 #軟體職涯 相關的文章。如果對於內文有疑問都歡迎與我們進一步的交流，都可以追蹤資料科學家的工作日常 Facebook 粉專 或 Instagram 帳號，也會不定時的舉辦分享活動，一起來玩玩吧！

這篇文章 文字資料也能資料分析嗎？淺談自然語言處理｜專家論點【維元】 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

國家科學及技術委員會（國科會）收錄3萬2千多項，來自公私部門有關環境、疫情、交通影像、衛星等多元領域資料，且在 …

國家科學及技術委員會（國科會）收錄3萬2千多項，來自公私部門有關環境、疫情、交通影像、衛星等多元領域資料，且在國家實驗研究院「國家高速網路與計算中心」，建置資料集平台，並於今(11)日舉辦「資料集平臺使用者研討會」透過活用個案，鼓勵民眾善用資料並應用產業，同時提醒使用資料者得兼顧資安。

國科會副主任委員林敏聰表示，落實資料治理，得先確保資料使用是否合法、合理及安全，「要顧及個人資料、核心科技、國家機密、營業秘密及智財權等的保護，並重視資訊安全維護。」使資料治理在科技發展與資料保護間，形成良性循環，發揮資料在科技研發的效益。

為了執行「臺灣開放政府國家行動方案」，身為該方案召集小組成員的彭啟明，則強調台灣資料基礎建設的重要性，「期盼政府持續開放資料，帶動相關產業。」

國家災害防救科技中心建議，將資料依照不確定性與應用程度，分為開放資料、限制開放資料、進階資料及測試資料等4級，並以「資料管理計畫」界定資料生命週期各階段的管理作為，且通過檢核才可對外提供，身為國家災害防救科技中心博士的劉子明也說：「好的資料品質來自好的資料管理！」

國科會指出，面對颱風水災，能結合地文空間和歷史水文觀測資料，以及從物聯網前瞻技術所獲得的即時感知數據，演算淹水模型，提高雨量預報的可靠度。地震防災可運用區域地震觀測網，偵測地震震央、規模，反推預估震度，及活用AI現地型地震預警系統，搶先在強烈震波前提醒民眾。

研討會也提及許多行業如何經由資料，提高工作效率，農夫藉由開放的氣象站觀測及預報資料、農業場域內的人類行為紀錄、環境感測器資料，來開發農作物生長預測模型。從事醫療行業，可統整傳染病地圖、死因地圖、癌症地圖、急診資訊整合平台等資訊，和醫療資源可近性的分析研究，促進國人健康。

這篇文章 國科會整合多元資料 提供活用個案兼顧資安 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。