什麼是機器學習？解析機器學習 4 大模型、常見產業應用和職缺

隨著人工智慧（AI）產業在近年迅速發展，機器學習（Machine Learning，又稱 ML）在產業中的多種應用方式得了極大的關注。本文將介紹什麼是機器學習、4 大機器學習演算法介紹、常見產業應用以及機器學習工程師等相關職缺。

機器學習是一種讓電腦系統能夠透過資料自行學習並改進自身性能的技術，而不需要由人類輸入精確指令來執行任務。

機器學習的一個分支則是深度學習，它使用以人類大腦為模型的特定演算法結構，又稱「類神經網路」（ANN）來模擬和學習複雜的特徵和層次性表示，是機器學習中一種強大的方法，兩者密切相關，且兩者都在 AI 人工智慧的範疇之下。

而類神經網路是深度學習的基礎，它是由相互連接的節點或神經元組成的層狀結構。ANN 可以學習複雜的模式，並用於各種任務，包括圖像辨識、語音辨識、自然語言處理等。

不過，傳統的機器學習需要透過特徵工程進行大量人機互動，方能產生結果，比如訓練 ML 模型辨識貓或狗，就需要各別對其手人工輸入「眼睛」、「尾巴」、「耳朵」等等輪廓特徵進行學習，深度學習則是更先進的機器學習技術，以最少的人為介入來執行這些特徵工程，因此在神經網路架構的設計上更為複雜，可利用對已知錯誤的回饋來進行自我學習。

而機器學習其運作方式大致可分為四個步驟，分別是：Step1. 收集與準備資料 → Step2. 訓練模型 → Step3. 測試模型 → Step4. 解讀結果。

機器學習演算法大致上也可分為 4 種類別，分別是：監督式學習、非監督式學習、半監督式學習、強化式學習，以下將分別進行簡要介紹。

【監督式學習】

• 定義： 學習模型使用有標籤的訓練數據，其中每個輸入樣本都有相應的目標輸出。
• 特色： 模型根據已知的輸入和輸出示例進行訓練，以預測未知數據的輸出。監督式學習適用於分類和回歸等任務。監督式學習的優點是學習效果通常比較好，因為模型有明確的目標值可以參考。但是，監督式學習也需要大量的標註資料，這可能會比較耗時和昂貴。
  

【非監督式學習】

• 定義： 學習模型使用無標籤的訓練數據，沒有預先定義的目標輸出。
• 特色： 模型探索數據的內在結構，通常用於集群分析、降維和異常檢測等任務。非監督式學習不需要預先標記的輸出。非監督式學習的優點是不需要標註資料，因此可以節省人力和時間。但是，非監督式學習的學習效果通常不如監督式學習，因為模型沒有明確的目標值可以參考。
  

【半監督式學習】

• 定義： 結合監督和非監督式學習的元素，模型使用既有標籤的數據和沒有標籤的數據進行訓練。
• 特色： 這種方法利用未標記數據來增強模型的性能，尤其在標記數據有限的情況下。半監督式學習可以提高模型的泛化能力，通常比監督式學習或非監督式學習的學習效果更好。

【強化式學習】

• 定義： 學習模型透過與環境的交互學習，從而最大化某種累積的回報，是一種基於獎勵和懲罰來學習的機器學習方法。在強化式學習中，機器學習模型透過不斷嘗試和探索，來找到能夠獲得最大獎勵的行為。
• 特色： 模型透過在環境中執行動作來學習，並根據反饋調整其策略。強化式學習常用於處理需要做出一系列決策的問題，如遊戲、機器人控制等。但是，強化式學習的學習過程通常比較緩慢，需要大量的試驗和錯誤。

機器學習已在諸多產業中被廣泛應用，其中「推薦引擎」就是利用機器學習演算法來篩選大量的資料，並且預測顧客 / 使用者購買或喜歡該內容的可能性，接著提供客製化建議，通常以「你可能也喜歡」、「看過 XX 作品的觀眾也喜歡 OO」等呈現。像是 Netflix、Amazon 就大量利用機器學習來做推薦引擎。

據 Netflix 估計，智能推薦引擎所推薦的內容價值高達一年 10 億美元，Amazon 也稱，這項系統能提高該公司 20% 到 35% 的年度銷售額。

在製造業之中，「預測性維護」是一種常見的機器學習應用，利用機器學習和 AI 技術，來預測工廠中的機器、工業設備等何時可能會故障，以及若要延長其運作時間、更順暢的工作，可能會需要什麼，這都是透過從企業資產的營運資料來進行學習和分析，以便提供企業後續行動建議和洞察。

目前國內外企業都有不少與機器學習有關的職缺，以下列出 5 個與機器學習有關的 Cake 職缺及其工作內容、薪資待遇以及職務需求，更多職缺機會可以在這裡查看。