2025 08 15 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師 機器學習 的 分類 與演算法 監督式學習（Supervised Learning）透過 已標記 的 資料 訓練模型。 非監督式學習（Unsupervised Learning） 使用 未標記 的 資料 進行模型訓練。強化學習（Reinforcement Learning, RL）

機器學習  的  分類  與演算法

監督式學習（Supervised Learning）

     透過    已標記  的  資料     訓練模型。 

 常見演算法： 

     1.線性迴歸（Linear Regression）：

           解決    連續性   資料           預測。

     2.支持向量機（SVM）：

           利用   超平面   來進行       分類。  

      3.決策樹（Decision Tree）：

           透過   樹狀結構  進行        分 類  或  迴 歸。 

     4.隨機森林（Random Forest）：

           結合  多個決策樹   進行   投票。 

     5.神經網絡（Neural Network）：

           模仿   人腦神經元             結構。

非監督式學習（Unsupervised Learning）

     使用    未標記 的  資料    進行模型訓練。 

常見演算法： 

       1.   K-means 聚類（K-means Clustering）：

           將資料  分  為   K 個群組。

       2. 主成分分析（PCA）：

           降維技術，用於   資料簡化。

     3.自組織映射（SOM）：

          用於   可視化  與  資料壓縮。 

強化學習（Reinforcement Learning, RL） 

  定義：    通過  智能體（Agent）與環境的交互，不斷試錯  以學習  最優行動策 略。

  應用場景： 

     1. 自主駕駛 

     2.機器人控制

     3. 遊戲 AI（如 AlphaGo）

  核心概念： 

      1. 狀態（State）   ：描述    當前  環境。 

      2. 行動（Action） ： 智能體    能採取 的 行動。  

      3. 獎勵（Reward） ：行動   後   獲得的   回饋，用於  評估   行動好壞。 

 常用算法： 

       1.  Q-Learning  

       2. 深度強化學習（Deep Q-Network, DQN）