建立 2026-11-12 更新 2026-11-12 SL HL

A4.1 機器學習基礎

機器學習（Machine Learning, ML）是讓電腦從資料中自動找出規律，而不是由人寫死每一條規則的技術。本頁說明機器學習與傳統程式的差別、三大學習類型、訓練與測試流程、過擬合，以及機器學習需要的硬體與常見應用。

機器學習和傳統程式有什麼不同？

• 傳統程式：人寫規則 + 輸入資料 → 輸出答案。例如「如果信件含『中獎』就是垃圾信」。
• 機器學習：輸入資料 + 正確答案 → 電腦學出規則（模型）。例如給電腦一萬封已標記的信，讓它自己學會判斷垃圾信。

當規則太複雜、難以用人工寫出（例如辨識照片中的貓），或規則會隨時間改變時，機器學習特別有用。

人工智慧（Artificial Intelligence, AI）是讓機器表現出智慧行為的廣泛領域；機器學習是 AI 的一個分支；深度學習（deep learning） 又是使用多層神經網路的機器學習分支。

機器學習有哪幾種類型？

監督式學習又分兩種問題：

• 分類（classification）：預測類別，例如「垃圾信／正常信」。
• 迴歸（regression）：預測連續數值，例如明天的氣溫。

模型如何訓練與評估？

1. 收集資料，並切分成 訓練集（training set）、驗證集（validation set） 與 測試集（test set），常見比例 70／15／15。
2. 用訓練集 訓練模型，讓模型調整內部參數以減少錯誤。
3. 用驗證集 調整超參數（hyperparameter），例如 k-NN 的 k 值。
4. 用從未看過的測試集 評估 模型在新資料上的表現。

什麼是過擬合與欠擬合？

• 過擬合（overfitting）：模型把訓練資料的雜訊也背起來，訓練準確率很高，遇到新資料卻表現差。像學生只背考古題答案。
• 欠擬合（underfitting）：模型太簡單，連訓練資料的規律都抓不到。

改善過擬合的方法：增加訓練資料、簡化模型、正則化（regularisation）、交叉驗證（cross-validation）。

如何判斷分類模型好不好？

混淆矩陣（confusion matrix） 統計預測與實際的四種組合：

• 準確率（accuracy） = (TP + TN) ÷ 全部
• 精確率（precision） = TP ÷ (TP + FP)：預測為正的有多少是真的
• 召回率（recall） = TP ÷ (TP + FN)：真的正例有多少被找出來

醫療篩檢重視召回率（不要漏掉病人），垃圾信過濾重視精確率（不要把重要信件誤判為垃圾信）。

機器學習需要什麼硬體？

訓練大型模型需要大量矩陣運算，常用：

• GPU：數千個核心平行運算（見 A1.1）。
• TPU（Tensor Processing Unit）：Google 專為神經網路設計的晶片。
• 雲端運算：按需租用大量 GPU，不必自購昂貴硬體。
• 邊緣運算（edge computing）：在手機、相機等裝置本地執行已訓練好的模型，降低延遲並保護隱私。

機器學習有哪些應用？

影像辨識、語音助理、推薦系統（影音平台、購物網站）、詐騙偵測、醫療影像判讀、機器翻譯、自駕車，以及能產生文字與圖片的 生成式 AI（generative AI）。

推薦影音

機器學習入門

簡述：StatQuest 用簡單的例子說明什麼是機器學習、訓練與測試資料為何要分開、以及模型如何被比較，對應本頁訓練與評估一節。

偏差與變異（過擬合的本質）

簡述：用圖形說明模型太簡單（高偏差）與太複雜（高變異）的差別，直觀理解過擬合與欠擬合。

混淆矩陣

簡述：說明混淆矩陣四個格子的意義，以及如何用它比較不同分類模型，對應本頁評估指標一節。

練習題