影片不到一小時程式碼也不到60行，眼花照著打錯好幾遍，耗了我2、3個小時orz
笑死，結果還是進入到數學的領域
雖然斜率國中就有接觸
上課上到後面，真的完全聽不懂了
「讓電腦能夠根據資料自動學習並改進演算法效能」的科學。
強調從資料中找出模式（patterns）與建立預測模型（predictive models）。
應用非常廣泛，包括醫療、金融、廣告推薦、圖像辨識等。
| 應用領域 | 機器學習應用 | 對應技術 |
|---|---|---|
| 資料探勘 | 客戶細分、關聯規則發現 | 聚類、關聯規則學習（如Apriori） |
| 電腦視覺 | 圖像辨識、人臉辨識 | CNN、YOLO、OpenCV |
| 自然語言處理 | 文字分類、機器翻譯、聊天機器人 | RNN、BERT、Transformer |
| 生物特徵辨識 | 指紋、聲紋、虹膜辨識 | CNN、深度學習 |
| 醫學診斷 | 疾病預測、影像分析 | CNN、決策樹、SVM |
| 信用卡詐欺偵測 | 檢測異常交易 | 異常檢測（Anomaly Detection） |
| 證券市場分析 | 股價預測、風險管理 | 時間序列分析、LSTM |
| DNA序列分析 | 基因序列比對與變異識別 | 隱馬可夫模型、序列比對 |
| 語音辨識與語音合成 | 語音轉文字、語音助手 | RNN、Transformer、TTS 模型 |
| 自動駕駛與機器人 | 導航、決策、感知環境 |
強化學習、感測器融合技術 |
二、主要學習方式與演算法
（1）監督式學習（Supervised Learning）
特徵：有標註資料（每筆資料都有人標記出正確答案）
目標：從資料中學習一個函數 f(x)=y，能夠對新資料做預測
常見任務：分類（如判斷垃圾郵件）、回歸（如預測房價）
常見演算法：
- 線性回歸（Linear Regression）
- 決策樹（Decision Tree）
- 支援向量機（SVM）
- k近鄰（KNN）
- 隨機森林（Random Forest）
- 神經網路（Neural Networks）
（2）非監督式學習（Unsupervised Learning）
特徵：無標註資料（資料沒有正確答案）
目標：從資料中發現潛在結構或關係（如分群）
常見任務：聚類（Clustering）、降維（Dimensionality Reduction）
常見演算法：
- K-means聚類
- 主成分分析（PCA）
- 自編碼器（Autoencoder）
- 生成對抗網路（GAN）
（3）半監督式學習（Semi-supervised Learning）
混合少量標註與大量未標註資料進行訓練。
常用於標註成本高的應用，如醫學影像分析。
（4）強化學習（Reinforcement Learning）
學習代理（agent）在環境中透過**試錯（trial-and-error）**來做出最佳決策。
常見於遊戲AI（如AlphaGo）、機器人控制等。
文章標籤
全站熱搜
