本文為 iPAS「AI應用規劃師（初級）」科目一「人工智慧基礎概論」CH3.3 機器學習概念 的完整考試筆記整理，涵蓋三大學習類型（監督式／非監督式／強化學習）、機器學習實現流程（數據處理→模型訓練→模型評估與優化）、損失函數與優化演算法、過擬合防範與交叉驗證，並附上 10 題章節考古題與解析，適合準備 iPAS AI應用規劃師初級考試的考生複習使用。
CH3.3 機器學習概念
本節架構：機器學習（Machine Learning）是 AI 的核心支柱：透過數據驅動、無需人為明確編寫規則，讓系統從經驗中學習規律。核心邏輯為「三大學習類型（監督式／非監督式／強化學習）→ 機器學習流程（數據處理 → 模型訓練 → 模型評估與優化）」。
一、機器學習基本原理
機器學習利用數據中的模式與規律，透過演算法構建模型來進行預測和決策，依賴高效的演算法設計、豐富的數據資源、不斷增強的計算能力。目的是讓計算機系統能自動從數據中學習，並在沒有明確指令的情況下不斷改進效能。
特徵與技術優勢
- 特徵：基於數據的學習和自適應能力，能分析大量歷史數據構建預測模型，並在新數據到來時動態更新（例如醫療影像輔助診斷、金融市場趨勢分析與信用風險評估）。
- 技術優勢：不同於傳統編程方式，機器學習用數據驅動方式學習規律，能處理結構化與非結構化數據（圖像、文本、語音等），並具有高度可擴展性（推薦系統、自動駕駛、零售庫存管理等）。
挑戰與未來方向：機器學習面臨的挑戰包括：數據品質不均衡與標記數據匱乏、模型解釋性與透明性不足（限制在醫療、法律等高可解釋性需求領域的應用）、隱私保護與倫理責任爭議（偏見數據可能導致模型輸出具歧視性）。未來發展方向著重於提升模型解釋性與公平性（可視化技術、可解釋演算法、去偏演算法）。
二、三大學習類型
| 類型 | 資料特性 | 核心目標 | 常見演算法／模型 | 典型應用 |
|---|---|---|---|---|
| 監督式學習（Supervised Learning） | 有標記數據 | 學習輸入與輸出間的映射關係，用於分類與迴歸 | 線性迴歸、SVM、神經網路 | 醫療診斷、金融預測、推薦系統 |
| 非監督式學習（Unsupervised Learning） | 無標記數據 | 探索數據內在結構，實現聚類與降維 | K-Means、PCA | 市場區隔、異常檢測、圖像壓縮、基因分析 |
| 強化學習（Reinforcement Learning） | 環境回饋（無標記） | 透過試錯學習（Trial-and-Error）最大化累積獎勵 | Q-Learning、Deep Q-Learning | 遊戲 AI（AlphaGo）、機器人控制、自動駕駛路徑規劃 |
核心觀念：判斷三大學習類型的關鍵在於「資料是否有標記」與「是否有環境回饋／試錯機制」：
– 有標記 → 監督式學習（迴歸／分類）
– 無標記、找結構 → 非監督式學習（聚類／降維）
– 靠環境回饋、序列決策 → 強化學習（試錯學習）
（1）監督式學習
以「有標記的數據」為基礎，目標在於學習輸入與輸出之間的映射關係，主要任務為迴歸與分類：
- 迴歸：線性迴歸是經典基礎演算法，透過擬合數據預測連續型結果（如房價預測）。
- 分類：SVM（Support Vector Machine，支援向量機）透過建立最佳分類邊界（超平面）將數據劃分類別，適合二元分類問題（如醫學影像良性／惡性腫瘤判讀）；神經網路（Neural Networks）模仿人腦神經元運作，能處理高度非線性與複雜數據（如語音辨識）。
（2）非監督式學習
不依賴標記數據，透過分析數據內在結構尋找潛在模式，核心目標包括「聚類」和「降維」：
- 聚類：K-Means（K 均值聚類）將數據分為若干群組，群組內數據具高度相似性（如市場區隔、網路安全異常檢測）。
- 降維：PCA（Principal Component Analysis，主成分分析）透過線性變換將高維數據壓縮到低維空間，同時保留主要訊息（如圖像壓縮、基因數據特徵萃取）。
（3）強化學習
代理（Agent）透過探索環境執行行動，並根據環境回饋不斷更新策略，本質是「試錯學習（Trial-and-Error）」，核心目標是最大化累積獎勵（Cumulative Reward）。
三個核心要素：
| 要素 | 說明 |
|---|---|
| 代理（Agent） | 負責進行決策和行動的學習系統 |
| 環境（Environment） | 代理所處的操作環境，會根據代理的行動提供回饋 |
| 獎勵（Reward） | 代理執行某一行動後獲得的回饋，表示行動的好壞 |
流程： 初始狀態（Initial State）→ 選擇行動（Action Selection，可為探索 Exploration 或利用 Exploitation）→ 執行行動（Action Execution，返回新狀態與獎勵）→ 更新策略（Policy Update，最大化未來累積獎勵）。
常見方法：
- Q-Learning：透過試錯學習找到最佳決策，核心是讓 AI 學習每個行動的長期價值（Q 值），進而選擇能獲得最大獎勵的行動。
- Deep Q-Learning：Q-Learning 的延伸，結合深度學習解決高維度環境限制。傳統 Q-Learning 需將所有狀態與行動組合存入 Q 表（Q-Table），但狀態空間過大時不可行；Deep Q-Learning 改用深度神經網路（DNN）近似 Q 值。DQN（Deep Q-Network）引入經驗回放（Experience Replay）和目標網路（Target Network）等技術，減少神經網路震盪與過擬合。
應用範例：
– 遊戲領域：AlphaGo 結合深度學習與強化學習，透過自我對弈優化策略擊敗世界頂尖棋手；Atari 遊戲中 Deep Q-Learning 可達到超越人類玩家的表現。
– 機器人控制：透過試驗學習掌握行走平衡與步態控制；工業機械臂學習抓取物體。
– 自動駕駛：用於路徑規劃，動態計算最優行駛路徑。
三、機器學習實現流程
機器學習實現流程可分為三大階段：數據處理 → 模型訓練 → 模型評估與優化。
（1）數據處理
A. 數據清洗
處理數據集中的遺缺值、重複值和異常值。
| 問題 | 處理方法 |
|---|---|
| 遺缺值 | 均值填補（數值型特徵）、中位數或眾數填補（偏態分佈／類別型特徵）、刪除法（缺失比例過高且無法填補） |
| 異常值（Outliers） | 四分位距法（判斷是否超出正常範圍並修正或剔除）、標準差法（檢測距平均值超過多個標準差的數據） |
B. 數據標準化
將不同量級的數據轉換到統一範圍，消除特徵間尺度差異，提升模型學習效果，特別是在使用梯度下降等對特徵尺度敏感的演算法時尤為重要。
Min-Max標準化（Min-Max Scaling）：將數據映射到 0 到 1 的區間。
Xscaled = (X – Xmin)/(Xmax – Xmin)
Z-score標準化：將數據轉換為均值為 0、標準差為 1 的分佈。
Xscaled = (X – mu)/(sigma)
記憶技巧：Min-Max 標準化 → 結果落在 [0,1] 固定區間；Z-score 標準化 → 結果是均值 0、標準差 1（不限固定區間，會有負值）。
C. 特徵選擇與降維
- 特徵選擇：根據特徵對預測結果的影響力，篩選最具代表性的特徵。
| 方法 | 說明 |
|---|---|
| 過濾法（Filter Methods） | 使用相關性或統計量篩選特徵，如皮爾遜（Pearson）相關係數 |
| 包裝法（Wrapper Methods） | 透過模型效能指標評估特徵組合效果，如遞迴特徵消除（RFE） |
| 嵌入法（Embedded Methods） | 利用模型內置機制（如 LASSO 正則化）自動篩選特徵 |
- 降維技術：針對高維度數據，透過線性變換降低特徵空間維度並保留重要訊息，常用方法為 PCA。
（2）模型訓練
目標是透過學習輸入特徵與輸出結果之間的映射關係，找出最優模型參數，涉及損失函數設置、優化演算法選擇、避免過擬合三大重點。
A. 損失函數
損失函數（Loss Function）用來衡量模型預測值與實際目標之間的差異。損失值越高，表示模型預測誤差越大；訓練過程中透過優化器（Optimizer）使用梯度下降（Gradient Descent）等方法最小化損失。
均方誤差（Mean Squared Error, MSE）：用於迴歸任務，計算預測值與真實值間平方誤差的平均值。
MSE = (1)/(n)sumi=1n(yi – hat{y}i)2
交叉熵損失（Cross-Entropy Loss）：用於分類任務，衡量預測概率分佈與真實分佈之間的差異。
易錯點：MSE 用於迴歸任務，交叉熵損失用於分類任務——考題常故意互換來混淆考生。
B. 優化演算法
透過優化演算法調整參數以最小化損失函數值，最常見為梯度下降法及其變種：
| 演算法 | 說明 |
|---|---|
| 批次梯度下降（Batch Gradient Descent, BGD） | 基於整個數據集計算損失函數梯度並更新參數 |
| 隨機梯度下降（Stochastic Gradient Descent, SGD） | 每次迭代僅使用一個樣本更新參數，速度較快但收斂不穩定 |
| Adam（Adaptive Moment Estimation） | 結合動量法和 RMSProp，能自適應學習率，目前最廣泛使用的優化方法之一 |
C. 過擬合的防範
過擬合是模型在訓練數據上表現優異、但在測試數據上表現不佳的現象。
| 策略 | 說明 |
|---|---|
| Regularization（正則化） | 在損失函數中添加懲罰項，如 L1 和 L2 正則化 |
| Early Stopping（提前停止） | 當模型在驗證集上表現開始下降時，停止訓練 |
| Data Augmentation（數據增強） | 透過隨機旋轉、翻轉等方式擴展訓練數據集，提升泛化能力 |
（3）模型評估與優化
A. 效能評估指標
| 指標 | 適用場景 |
|---|---|
| 準確率（Accuracy） | 衡量模型預測正確的比例，適用於平衡的分類問題 |
| F1 分數（F1 Score） | 綜合考慮精確率（Precision）和召回率（Recall），適合處理數據不平衡的問題 |
| 均方誤差（MSE） | 適用於迴歸問題，反映預測誤差大小 |
B. 交叉驗證
交叉驗證是評估模型穩健性的技術，透過將數據集分割為多個子集，反覆進行訓練與測試，有效降低過擬合風險並提升泛化能力。
K折交叉驗證（K-Fold Cross-Validation）：最常見的方法，將數據集平均分成 K 個子集，每次選擇其中一個子集作為測試集，其餘 K-1 個子集作為訓練集，重複 K 次後取平均評估結果。
C. 模型調參
調整超參數的過程稱為「調參」，常見方法：
| 方法 | 說明 |
|---|---|
| 網格搜索（Grid Search） | 在預定範圍內逐一嘗試超參數組合 |
| 隨機搜索（Random Search） | 隨機選擇超參數進行測試，適合高維度參數空間 |
| 貝葉斯優化（Bayesian Optimization） | 透過構建代理模型，根據歷史結果逐步尋找最優參數 |
🔗 相關名詞卡
機器學習｜監督式學習｜非監督式學習｜強化學習｜SVM｜K-Means｜PCA｜Q-Learning｜Deep Q-Learning｜Min-Max標準化｜Z-score標準化｜損失函數｜梯度下降｜Adam｜過擬合｜交叉驗證｜K折交叉驗證
📝 章節考題自測（先作答，再點開解答）
Q1. 機器學習的三個核心要素是什麼？
(A) 數據、模型、損失函數 (B) 訓練集、測試集、驗證集 (C) 特徵工程、優化演算法、正則化 (D) 超參數調整、模型選擇、數據處理
點我看解答與解析
Ans: (A)
機器學習的三個核心要素分別是數據（Data）、模型（Model）和損失函數（Loss Function），其中數據提供基礎，模型學習數據的規律，損失函數用於評估預測的準確性並指導模型優化。
Q2. 下列哪一項屬於監督式學習的特點？
(A) 數據集中包含標記訊息 (B) 僅需探索數據內部的結構 (C) 使用代理與環境互動進行學習 (D) 不需要驗證集來調整參數
點我看解答與解析
Ans: (A)
監督式學習依賴有標記的數據集，透過學習輸入與輸出之間的映射關係來進行預測或分類。(B) 是非監督式學習的特點，(C) 是強化學習的特點。
Q3. 機器學習模型過擬合的主要原因是什麼？
(A) 模型的複雜度不足 (B) 訓練數據樣本過多 (C) 模型過度學習數據中的雜訊 (D) 使用過於簡單的損失函數
點我看解答與解析
Ans: (C)
過擬合通常是由於模型學習了訓練數據中的雜訊或特定模式，導致模型對測試數據泛化能力不足。
Q4. 交叉驗證的主要目的是什麼？
(A) 提高模型的訓練速度 (B) 驗證數據是否線性可分 (C) 減少模型的過擬合風險 (D) 測試模型的容錯能力
點我看解答與解析
Ans: (C)
交叉驗證透過多次分割數據進行訓練和測試，有助於評估模型的穩健性並降低過擬合的可能性。
Q5. 機器學習的梯度下降演算法主要用於什麼？
(A) 減少模型的計算複雜度 (B) 優化模型參數以最小化損失函數 (C) 減少數據中的雜訊干擾 (D) 增強數據特徵的表示能力
點我看解答與解析
Ans: (B)
梯度下降演算法是一種優化方法，透過計算損失函數相對參數的偏導數，調整模型參數使損失函數值逐漸減小。
Q6. 線性迴歸模型最適合解決哪種類型的問題？
(A) 圖像分類 (B) 銷售額預測 (C) 聚類分析 (D) 遊戲策略學習
點我看解答與解析
Ans: (B)
線性迴歸是一種典型的迴歸模型，用於解決輸出為連續值的問題，如預測銷售額或房價。
Q7. 決策樹的最大優勢是什麼？
(A) 適合大規模數據的訓練 (B) 具有良好的可解釋性 (C) 不需要進行數據標準化 (D) 適用於圖像生成任務
點我看解答與解析
Ans: (B)
決策樹的分支結構清晰，便於直觀解釋，因此廣泛用於需要高可解釋性的任務，如醫學診斷或風險評估。
Q8. 神經網路與傳統機器學習模型的主要區別是什麼？
(A) 神經網路無法處理非線性數據 (B) 神經網路透過多層結構學習複雜特徵 (C) 神經網路只適用於迴歸問題 (D) 神經網路不需要大量數據支持
點我看解答與解析
Ans: (B)
神經網路具有多層結構，能夠從數據中提取高層次特徵，適合處理複雜的非線性問題，例如圖像分類和語音辨識。
Q9. 下列關於生成對抗網路（GAN）的描述正確的是哪一項？
(A) GAN 僅用於分類問題 (B) GAN 由生成器和鑑別器組成 (C) GAN 的結果始終高度可解釋 (D) GAN 不能生成高品質的數據
點我看解答與解析
Ans: (B)
生成對抗網路（GAN）由生成器和鑑別器組成，透過對抗學習生成高品質的數據，應用於圖像生成、文本生成等任務。
Q10. 隨機森林（Random Forest）改進了單一決策樹的缺陷，主要透過什麼方法實現？
(A) 使用核函數映射高維空間 (B) 集成多棵隨機生成的決策樹並投票 (C) 增加模型參數以減少偏差 (D) 採用生成模型替代分類器
點我看解答與解析
Ans: (B)
隨機森林是決策樹的集成演算法，透過構建多棵隨機決策樹並對其結果進行投票，有效降低了過擬合的風險。
結語
以上是 iPAS AI應用規劃師（初級）科目一 CH3.3 機器學習概念 的重點整理，建議搭配 CH3.1 人工智慧概念、CH3.2 資料處理與分析概念、CH3.4 鑑別式AI與生成式AI概念一起複習，掌握完整的人工智慧基礎概論知識體系，為 iPAS AI應用規劃師初級考試做好準備。
