A4 機器學習
A4 機器學習（Machine learning）是新課綱最大的新增單元，說明電腦如何從資料中學習規律、做出預測，以及使用 AI 時必須考慮的倫理問題。SL 學習機器學習的基本概念與倫理，HL 再深入資料前處理與各種演算法，包括迴歸、分類、分群、神經網路與基因演算法。
本單元頁面
| 子題 | 頁面 | 程度 |
|---|---|---|
| A4.1 | 機器學習基礎 | SL HL |
| A4.2 | 資料前處理 | HL only |
| A4.3 | 機器學習方法 | HL only |
| A4.4 | 機器學習倫理 | SL HL |
與案例研究的關係
2027 年 Paper 1 案例研究的情境與生成式 AI 相關，A4 的觀念（訓練資料、偏誤、倫理）很可能在 Section B 被要求應用到案例中。SL 學生也建議至少瀏覽 A4.3 的神經網路一節。
本單元重點
- 監督式、非監督式與強化學習的差異。
- 訓練集、驗證集與測試集，過擬合與欠擬合。
- 資料清理、特徵選擇與正規化（HL）。
- 線性迴歸、k-NN、決策樹、k-means、神經網路、基因演算法（HL）。
- 偏誤、隱私、透明度、責任歸屬與環境成本。
推薦影音
機器學習與人工智慧
簡述：Crash Course 從分類問題開始，介紹決策樹、支援向量機與神經網路的基本想法，是本單元很好的入門。
單元總複習
總複習：一個 AI 專案的生命週期
一所學校想用過去的成績資料預測哪些學生可能需要補救教學。依序寫出這個機器學習專案的主要步驟，並指出一個倫理風險。
參考答案
步驟：定義問題 → 收集資料 → 資料前處理（清理缺值、選特徵）→ 切分訓練集與測試集 → 選擇並訓練模型（例如分類演算法）→ 用測試集評估準確率 → 部署並持續監控。倫理風險：若歷史資料中某些族群本來就較少獲得資源，模型可能學到並放大這種偏誤，導致不公平的標籤化。