機器學習（Machine Learning）
是一種透過 數據訓練 模型，使 機器 具備 預測 與 分類 能力的技術，
常應用於 文字辨識、語音辨識、圖像辨識 等領域。
一般而言，資料量愈大 且經過 完整的資料處理，
模型的效果通常會更好。
簡述 機器學習的 步驟包含：
（1）準備訓練資料：
包含資料的蒐集、過濾雜訊 及前處理；
（2）訓練模型：
將前項 準備好 的 訓練資料 輸入 演算法中，並 適度調整 參數，
使模型儘量符合資料之模式或分佈；
（3）測試及評估模型：
測試 並 評估 該 模型的效能，並反覆訓練之；經多次調校仍不佳時，
或許選用其他模型 再重覆前 述流程。
依訓練方式，有以下幾種學習方法：
（1）監督式學習（Supervised learning）
監督式學習主要應用於 分類（Classification）與 迴歸（Regression）
任務，透 過 帶有標記（Labeled Data）的訓練數據來訓練模型，
使其學習 輸入特徵 與 對應標 記 之間的關聯性。
在訓練過程中，模型不斷調整內部參數，以提高對未知數據的 預測準確度，
從而 實現 對 未見 數據的 有效分類 或 數值 預測。
分類模型目標為「如 何將輸入數據 分配至 不同類別」，
例如 垃圾郵件過濾（辨別郵件是否為垃圾郵件）、
影像識別（辨識圖片中的物件類別）。
迴歸模型目標為「學習 輸入變數 與 連續數值 之間的映射關係」，
例如 房價預測（根據房屋特徵預測價格）、
銷售額預測（根據 市場數據預測未來銷售）。
（2）非監督式學習（Unsupervised Learning）
不同於監督式學習，無需使用事先標記好的訓練數據。
演算法會自動從 未標 記的數據 中 發掘潛在的模式、結構或
分群（Clustering），進而揭示 數據內部的關聯 性和特徵。
非監督式學習常用於
資料探索、特徵提取 和數據降維 等任務，
廣泛應 用於
市場區隔分析、異常偵測、推薦系統 和 影像壓縮 等領域。
（3）強化學習（Reinforcement Learning, RL）
強化學習不同於監督式學習和非監督式學習，
是一種 基於「回饋（反饋）機 制」的 學習方法，
透過 評分機制 與 獎勵措施 的制定，讓人工智慧進行自我評估
並朝 獲取最大獎勵的方向進行學習。
強化學習的核心在於 讓代理（Agent）透過與環 境 的互動，
學習如何選擇 最佳行動策略，以獲得最大的累積回報。
強化學習特別 適合用於
需要「試錯學習（Trial-and-Error）」和「長期規劃」
的任務，
例如 遊戲 AI、 機器人控制 和 自動駕駛等領域。
發表文章
