你知道機器學習(Machine Learning)，有幾種學習方式嗎?

機器學習和人類學習的方式十分相似，要讓機器（電腦）像人類一樣具有學習能力的話，通常都會先進行「分類」（Classification），才能分析理解、進行判斷， ... ViewLargerImage 你知道機器學習(MachineLearning)，有幾種學習方式嗎? 大數據的應用毫無疑問地是未來科技發展重要的一環。

但要發揮資料的價值就不能忽略機器學習以及人工智慧。

若要簡單解釋這三者的關係：大數據為材料、機器學習是處理方法，而人工智慧就是呈現出的結果。

「機器學習」（MachineLearning）即讓機器（電腦）像人類一樣具有學習的能力。

透過資料的訓練，現今機器學習已經廣泛的運用在生活裡，例如，自動駕駛汽車和自動化大眾運輸、簡化物流及配送方式、改善老年照護等等，將會使我們的生活越來越便利。

機器學習和人類學習的方式十分相似，要讓機器（電腦）像人類一樣具有學習能力的話，通常都會先進行「分類」（Classification），才能分析理解、進行判斷，最後才能採取行動。

機器學習的種類最主要分成四種：監督式學習（Supervisedlearning）、非監督式學習（Un-supervisedlearning）、半監督式學習（Semi-supervisedlearning）及強化學習（Reinforcementlearning）。

監督式學習（Supervisedlearning）：所有資料都被「標註」(label)，告訴機器相對應的值，以提供機器學習在輸出時判斷誤差使用。

這種方法為人工分類，對電腦來說最簡單，對人類來說最辛苦。

這種方法像是告訴機器（電腦）標準答案，正式考試的時候機器依照標準答案作答，正確性會比較高。

例如，若要訓練機器區分大象和長頸鹿，則提供機器100張大象和長頸鹿的照片。

機器依照標註的照片去偵測大象和長頸鹿的特徵，依照特徵就能辨識出大象和長頸鹿並進行預測。

非監督式學習（Un-supervisedlearning）：所有資料都沒有標註，機器透過尋找資料的特徵，自己進行分類。

此種方法不用人工進行分類，對人類來說最簡單，但對電腦來說最辛苦，誤差較大。

若使用非監督式學習辨識大象及長頸鹿，機器得自行判斷提供的100張照片裡有哪些特徵的是大象、哪些特徵的是長頸鹿並同時進行分類。

在未來預測時，利用機器自行所分類的特徵去辨識是哪一種動物。

但機器所辨識的結果不一定正確。

半監督式學習（Semi-supervisedlearning）：對少部分資料進行「標註」，電腦只要透過有標註的資料找出特徵並對其它的資料進行分類。

這種方法可以讓預測時比較精準，是目前最常用的一種方式。

若有100張照片，則標註其中10張哪些是大象哪些是長頸鹿。

機器透過這10張照片的特徵去辨識及分類剩餘的照片。

因為已經有辨識的依據，所以預測出來的結果通常比非監督式學習準確。

強化式學習（Reinforcementlearning）：機器透過每一次與環境互動來學習，以取得最大化的預期利益。

運用強化式學習的方式，我們不標註任何資料，但告訴它所採取的哪一步是正確、那一步是錯誤的，根據反饋的好壞，機器自行逐步修正、最終得到正確的結果。

能使非監督式學習達成一定程度的正確性，就不能缺少強化式學習的方式。

若機器自行辨識特徵與分類，將某張大象的照片預測成長頸鹿，則人類給予錯誤的訊息。

機器會再次辨認特徵及分類。

透過一次一次正確與錯誤的學習，最後的預測就會越來越精準。

以上介紹的四個種類，監督式學習是最準確的但卻也是耗費最多人力成本的。

但如果想在有限的人力成本之下掌握高準確度怎麼辦呢？有鑑於此，Amazon提出了AmazonSageMakerGroundTruth，透過建構高準確度的資料集來減少添加標註所造成的人力成本。

完整的教學可以參考以下這篇部落格，讓您透過實驗輕輕鬆鬆了解SageMaker的功能：SageMakerGroundTruth建立高度精確資料集 參考資源： 15WaysMachineLearningWillImpactYourEverydayLife TypesofMachineLearningAlgorithmsYouShouldKnow OverviewTalk:從大數據走向人工智慧 翻轉人類未來的AI科技：機器學習與深度學習 Marketing 2021-05-28T13:33:22+00:00 2019/03/28|大數據| 將此文章分享到我的社群： FacebookTwitterLinkedinVk RelatedPosts 文章分類月份分類 2022年五月 2022年四月 2022年三月 2022年二月 2022年一月 2021年十二月 2021年十一月 2021年十月 2021年九月 2021年八月 2021年七月 2021年六月 2021年五月 2021年四月 2021年三月 2021年二月 2021年一月 2020年十二月 2020年十一月 2020年十月 2020年九月 2020年八月 2020年七月 2020年六月 2020年五月 2020年三月 2020年二月 2020年一月 2019年十二月 2019年十一月 2019年十月 2019年九月 2019年八月 2019年七月 2019年六月 2019年五月 2019年三月 2019年二月 2018年十二月 2018年十一月 2018年十月 2018年七月 2018年六月 2018年四月 2018年三月 2018年二月 2018年一月 2017年十二月 2017年十一月 2017年十月 2017年八月 2017年七月 2017年六月 2017年一月 訂閱伊雲谷電子報 TW-Website-Mailinglist 姓名 * 公司 * 部門/職稱 * 電話 * 電子郵件 * 國家 * 您已詳閱本公司之隱私權聲明，並同意本公司依法蒐集、處理及利用您的個人資料。

送出