機器學習、深度學習基本原理

2025-09-23

解決問題的思維轉變：指令 ➞ 推論

傳統程式設計（就是計算機啦）

輸入 ➞ 人類規則 ➞ 輸出

機器學習 (Machine Learning)

提供大量資料 ➞ 找到規則

機器學習的主要類型

監督式學習 (Supervised Learning)

資料類型： 使用帶有「標籤」的資料進行訓練，即每個輸入資料都有對應的正確輸出或答案。

目標： 學習輸入資料與輸出資料之間的映射關係，以便在遇到新數據時能預測其輸出結果。

應用範例： 根據過去的天氣狀況（輸入）預測未來的航班時間（輸出）。

非監督式學習 (Unsupervised Learning)

資料類型： 使用未帶有標籤的原始資料進行訓練。

目標： 探索資料並在其中發現隱藏的模式、結構或關係，而不是預測特定的輸出。

應用範例： 尋找顧客群體中的相似性（分群），或識別未標記資料中的新關聯。

那深度學習 (Deep Learning) 又是什麼？

深度學習(Deep Learning)

與機器學習的關係： 是機器學習的一個子集，屬於一類特定的機器學習模型。

特點： 使用多層神經網路（類似人類大腦結構）來學習資料中的複雜模式。

應用範例： 深度學習模型可以執行監督式學習任務，如圖像識別，也可以進行非監督式學習，從大量的未標記資料中提取有價值的資訊。

那…生成式 AI (Generative AI) 又是什麼？

生成式 AI

生成式 AI 是基於深度學習的技術分支，可以學習數據中的模式並生成新的內容，涵蓋文本、圖像、聲音等多種形式。（細節下堂課再介紹。）

機器學習的核心：

監督式學習 (Supervised Learning) 與 非監督式學習 (Unsupervised Learning)

技術路徑的選擇，更反映了我們想從數據中獲得什麼是「驗證已知的答案」，還是「探索未知的結構」

關鍵問題

「有標準答案的考卷」（監督式學習）來訓練 AI 解決已知的問題，比起「沒有答案的浩瀚圖書館」（非監督式學習）中探索未知和關聯性，如何在「指導」與「探索」之間的權衡？又有哪些風險？

不同情境下的探討

1. 個人化的音樂世界：

Spotify 如何為你推薦音樂？一種方式是監督式：你按了「喜歡」的歌曲（提供了明確標籤），系統就去尋找音樂特徵相似的歌曲推薦給你。另一種是非監督式：系統分析全球數億用戶的收聽數據，將品味相似的人自動「分群 (Clustering)」，然後把你那一群人喜歡、但你還沒聽過的歌推薦給你（例如「每週新發現」）。哪一種方式更容易讓你跳出同溫層，發現全新的音樂類型？哪一種方式又可能讓你越陷越深？

2. 酷澎電商的行銷策略：

酷澎網站想了解顧客。監督式做法是，進行滿意度問卷，讓顧客在「價格」、「服務」、「品質」等項目上打 1-5 分（給予明確標籤），然後分析哪個環節分數最低。非監督式做法是，直接分析數十萬條顧客的原始評論文字，AI 自動將評論分群，可能會發現一個從未想過的顧客抱怨主題，例如「包裝過度不環保」或「贈品品質太差」，這在原本的問卷中根本沒有這個選項。哪種方法能解決已知的問題？哪種能發現未知的問題？

3. 打擊金融詐騙：

銀行如何偵測盜刷？監督式方法是，利用過去所有被標記為「盜刷」和「正常」的交易紀錄來訓練模型，當一筆新交易進來時，模型會判斷其為盜刷的機率。但如果出現一種全新的詐騙手法，模型可能就認不出來。非監督式的「異常偵測 (Anomaly Detection)」則是，模型先學習什麼是「正常」的交易模式（一個龐大的群體），任何不符合這個模式的交易，無論手法為何，都會被標記為可疑。哪種方法更擅長防堵已知的敵人？哪種更能應對未知的威脅？

4. 城市安全的洞察：

警察局想預防犯罪。監督式方法是，分析過去標記有「犯罪地點」和「時間」的數據，來預測下一個犯罪熱點。但這完全依賴於「有報案」的數據。非監督式方法則是，分析城市裡匿名的通訊或交通流量數據，找出「異常聚集」或「模式突然改變」的區域，這可能是一個未被發現的地下交易市場，也可能只是一場快閃活動。我們該如何權衡這種探索帶來的機會與誤判的風險？