張哲誠副教授/逢甲大學資訊工程學系

機器學習（Machine Learning, ML）是人工智慧（Artificial Intelligence, AI）中核心的研究領域之一，它透過數據驅動的方式，讓電腦能夠自動學習，而不是僅依賴人工預先提供的固定規則。從本質上來看，機器學習的目標是：從資料中學習規則，並利用這些規則進行預測或決策。

在不同的應用場景，機器學習發展了不同的應用方法，主要可以分為三大類：監督式學習（Supervised Learning）、非監督式學習（Unsupervised Learning）以及強化學習（Reinforcement Learning）。監督式學習的特性在於有標準答案，也就是資料中包含輸入與正確答案（標籤），模型需要透過大量訓練樣本學會從輸入推導出對應的輸出，例如：影像辨識中的照片是狗還是貓。非監督式學習則不同，它沒有標籤，模型必須在資料中自行發現隱含的結構與關聯，例如：將顧客依未知的特性分群。最後，強化學習則是另一種特殊的學習方式，它強調探索未知的領域（Explore）與利用現有知識（Exploit）的循環，演算法透過與環境互動獲得獎勵或懲罰，進而逐步學會最佳行動策略。這種方法廣泛應用於遊戲、機器人控制與資源配置等問題。

近年來隨著研究進展，也出現了半監督式學習（Semi-Supervised Learning）、遷移學習（Transfer Learning）、自監督學習（Self-Supervised Learning）等新型態學習方式，它們通常結合不同的優勢來應對現實世界中的複雜情境。機器學習的應用與分類並非單一且絕對，而是一個隨著技術演進而不斷成長的體系，這些分類幫助我們更有系統地理解不同演算法的特性，並選擇合適的方法來解決特定問題。