首頁 / AI 基礎 / Machine Learning 是什麼？

Machine Learning 是什麼？機器學習定義、三大類型與應用一次搞懂

AI 基礎 2026-02-08 飛飛

快速回答：Machine Learning 是什麼？

Machine Learning（ML，機器學習）是讓電腦從資料中自動學習規律，然後用學到的規律對新資料做出判斷和預測的技術。你每天用的 YouTube 推薦、Gmail 垃圾郵件過濾、手機拍照自動對焦，背後都是 ML 在運作。簡單說：傳統程式是「人寫規則」，ML 是「機器自己從資料中學規則」。

ML 的正式定義

Machine Learning 是人工智慧（AI）的一個分支，研究如何讓電腦從資料中自動學習規律，並利用學到的規律對未知資料進行預測與決策。這個概念最早由 Arthur Samuel 在 1959 年提出：「讓電腦不需要被明確編程就能學習的研究領域。」

各大科技公司的定義：

  • IBM：ML 是 AI 的一個分支，專注於使用資料和演算法來模仿人類學習的方式，逐步提高準確度。
  • Google Cloud：ML 是一套技術，讓機器能從經驗中學習、適應新的輸入，並執行類似人類的任務。
  • Microsoft Azure：ML 是使用數學模型來幫助電腦在沒有直接指令下學習的過程。

白話解釋：ML 就像什麼？

想像你要教一個小孩認「貓」。你不會跟他說：「貓就是有四隻腳、尾巴、尖耳朵、會喵喵叫的動物」——因為狗也有四隻腳和尾巴。

你會怎麼做？你會給他看很多張貓的照片，也給他看很多張不是貓的照片。看久了，他自己就學會分辨了。

ML 就是這樣——你給電腦大量的「範例」（資料），它自己從中找出模式，下次遇到新的資料就能做出判斷。差別在於，電腦可以看幾百萬張照片，而且幾秒鐘就看完。

但重要的是：電腦並不是真的「理解」什麼是貓。它只是學會了「看起來像這樣的東西，通常被叫做貓」。

ML 的三大學習類型

ML 有三種主要的學習方式，各有不同的使用場景：

監督式學習（Supervised Learning）

用「有標準答案」的資料來訓練模型。就像老師給你考卷和解答，你照著學。

  • 輸入：有標記的資料（例如：這封信是垃圾郵件 / 不是）
  • 目標：學會預測新資料的標記
  • 應用：垃圾郵件過濾、房價預測、醫療診斷、信用評分、人臉辨識

非監督式學習（Unsupervised Learning）

用「沒有標準答案」的資料來訓練模型。就像自己整理書架，沒人告訴你該怎麼分類。

  • 輸入：沒有標記的資料（例如：一堆客戶的消費紀錄）
  • 目標：自己發現資料中的結構和分群
  • 應用：客戶分群、異常偵測、推薦系統、資料壓縮

強化學習（Reinforcement Learning）

透過「試錯」和「獎懲」學習最佳策略。就像訓練小狗——做對了給零食，做錯了沒有。

  • 輸入：環境狀態和回饋信號（獎勵或懲罰）
  • 目標：找到累積最多獎勵的行動策略
  • 應用：圍棋 AI（AlphaGo）、自動駕駛、機器人控制、遊戲 AI
類型有沒有答案比喻代表應用
監督式有標記有解答的考卷垃圾郵件過濾
非監督式沒有標記自己整理書架客戶分群
強化學習只有獎懲訓練小狗AlphaGo

AI、Machine Learning、Deep Learning 的關係

這三個詞是一層包一層的關係：

AI（最廣義：所有模擬人類智慧的技術）
  └── Machine Learning（從資料中學習規律）
      └── Deep Learning（用多層神經網路學習）
          └── Generative AI（生成全新內容）
  • AI 是最廣的概念，包含所有讓機器展現智慧行為的技術，甚至包括 1960 年代的「if-then」規則系統。
  • ML 是 AI 的子集，專注於「從資料中學習」。不是所有 AI 都用 ML，但現在最成功的 AI 幾乎都基於 ML。
  • Deep Learning 是 ML 的子集，使用多層神經網路處理複雜的非結構化資料（圖片、語音、文字）。
  • Generative AI 是 DL 的應用，能生成全新的文字、圖片、音訊。ChatGPT、Claude 都屬於此類。

關鍵區分：ML 通常需要人工設計「特徵」（告訴電腦要注意什麼），DL 能自動從原始資料中提取特徵。

ML 怎麼運作？完整流程

一個 ML 專案的標準流程：

  1. 定義問題：確定要解決什麼問題（分類？預測？分群？）
  2. 收集資料：取得足夠的訓練資料
  3. 資料清理：處理缺失值、異常值、重複資料
  4. 特徵工程：選擇和轉換對模型有用的特徵
  5. 選擇模型：根據問題類型選擇合適的演算法
  6. 訓練模型：用訓練資料讓模型學習規律
  7. 評估模型：用測試資料檢驗模型表現（準確率、召回率等）
  8. 調參優化：調整超參數提升模型效能
  9. 部署上線：將模型整合到實際應用中
  10. 監控與更新：持續監控效能，定期用新資料重新訓練

Agentic AI：ML 成為 AI Agent 的大腦

ML 模型不再只是「被動回答問題」，而是成為 AI Agent 的決策引擎，可以自主規劃任務、呼叫工具、從錯誤中學習。Gartner 報告指出 multi-agent system 需求從 2024 Q1 到 2025 Q2 成長了 1,445%。

AutoML 讓 ML 更平民化

自動化機器學習（AutoML）工具讓不會寫程式的人也能建立 ML 模型，從資料前處理、特徵工程到模型選擇全部自動化。

小型專用模型取代大模型

從「更大更強」轉向「更小更專」。透過量化（Quantization）和蒸餾（Distillation）技術，將大模型的知識壓縮到小模型中，降低運算成本和延遲。

MLOps 標準化

ML 模型的部署、監控、版本管理從手動操作走向標準化流程，成為企業規模化 ML 應用的基礎設施。

合成資料訓練

用 AI 生成的合成資料（Synthetic Data）來訓練 ML 模型，解決資料隱私、標記成本和資料不足的問題。

ML 可以做什麼？常見應用

ML 已經滲透到日常生活和各行各業：

你每天都在用的 ML

  • YouTube / Netflix 推薦（協同過濾）
  • Gmail 垃圾郵件過濾（文本分類）
  • Google 搜尋排序（排序學習）
  • 手機人臉解鎖（影像辨識）
  • 語音助理（語音辨識）

企業應用

  • 客戶流失預測
  • 信用評分與風控
  • 需求預測與庫存管理
  • 個人化行銷
  • 流程自動化

專業領域

  • 醫療影像診斷（X 光、CT 判讀）
  • 藥物研發（分子預測）
  • 自動駕駛（環境感知）
  • 資安威脅偵測（異常行為分析）
  • 金融交易策略

ML 在台灣的現況

台灣的 ML 應用正在加速發展：

  • AI 化指數躍升：根據 AIF《2026 台灣產業 AI 化大調查》，AI 化指數從 36.77 躍升至 46.32，47.8% 企業已達應用階段。
  • 製造業領先：AOI 視覺檢測、良率預測、預測性維護是台灣最成熟的 ML 應用場景。
  • AI Agent 部署啟動：44% 企業已開始部署或評估 AI Agent 技術。
  • 硬體供應鏈優勢：台灣的半導體產業（TSMC）是全球 ML 運算晶片的核心供應鏈，2026 年 AI 晶片市場預計突破 1,800 億美元。

但也面臨挑戰：

  • ML 人才供需落差仍大
  • 中小企業資料量不足，難以建立有效模型
  • 資料治理與隱私法規仍在完善中

ML 的風險與安全威脅

使用 ML 時，必須注意這些風險：

資料投毒（Data Poisoning）

攻擊者在訓練資料中注入惡意資料，讓模型產生錯誤判斷。2026 年已成為企業級 AI 的主要威脅之一。即使只有一小部分資料被污染，也可能讓模型植入後門或產生偏差。

對抗樣本攻擊（Adversarial Attack）

透過微小但精心設計的擾動，讓 ML 模型做出完全錯誤的判斷。例如在停止標誌上貼幾張貼紙，就能讓自動駕駛系統把它誤判為速限標誌。

模型竊取（Model Stealing）

攻擊者透過大量查詢 ML 模型的 API，逆向還原模型行為，等於竊取了你的智慧財產。

偏見放大（Bias Amplification）

ML 模型會繼承並放大訓練資料中的偏見。如果歷史貸款資料對特定族群不公平，ML 模型做出的信用評分也會不公平。

過擬合（Overfitting）

模型在訓練資料上表現很好，但遇到新資料就失準——只會「背答案」而不會「推理」。

安全提醒：2026 年，資料投毒和對抗樣本攻擊已不只是學術研究議題，而是企業需要實際防禦的安全威脅。建議建立訓練資料驗證、模型監控和定期對抗性測試機制。

常見誤解

「ML 就是 AI」

ML 只是 AI 的一個子集。AI 還包含規則系統、搜尋演算法、知識圖譜等其他方法。

「ML 需要海量資料」

不一定。Transfer Learning（遷移學習）可以用預訓練模型微調少量資料；Few-shot Learning 甚至只需要幾個範例就能運作。

「ML 會自己學習，不需要人」

ML 仍然需要人類定義問題、收集和清理資料、選擇模型、評估結果、處理邊界情況。完全自動化的 ML 還不存在。

「ML 模型越複雜越好」

不一定。根據 Occam's Razor 原則，能用簡單模型解決的問題，不需要用複雜模型。過度複雜的模型反而容易過擬合。

「學 ML 一定要會數學」

使用現成工具和 AutoML 平台不需要深厚數學基礎。但如果要理解模型原理或自己建模，需要線性代數和統計基礎。

常見問題 FAQ

Machine Learning 和 AI 有什麼不同？

ML 是 AI 的子集。AI 涵蓋所有讓機器展現智慧的方法（包括規則系統、搜尋演算法），ML 專注於「從資料中學習」這條路徑。所有 ML 都是 AI，但不是所有 AI 都是 ML。更多 AI 定義請參考 AI 是什麼？

Machine Learning 和 Deep Learning 有什麼不同？

DL 是 ML 的子集。ML 通常需要人工設計特徵（Feature Engineering），DL 使用多層神經網路自動從原始資料中提取特徵。DL 在處理圖片、語音、文字等非結構化資料時特別強大。

監督式學習和非監督式學習差在哪？

監督式學習用「有標準答案」的資料訓練（像有解答的考卷），適合預測和分類。非監督式學習用「沒有標準答案」的資料，讓模型自己發現模式（像自己整理書架），適合分群和異常偵測。

學 Machine Learning 需要會寫程式嗎？

不一定。使用 AutoML 工具或低程式碼平台不需要寫程式。但若要自己建立和調整模型，建議學會 Python，並具備基本的統計和線性代數知識。

Machine Learning 有哪些風險？

主要風險包括：資料投毒（訓練資料被注入惡意資料）、對抗樣本攻擊（精心設計的擾動讓模型誤判）、模型竊取、偏見放大、過擬合，以及可解釋性不足。

什麼是強化學習？

強化學習是 ML 的一種，透過試錯和獎懲回饋來學習最佳策略，不需要標記資料。AlphaGo 就是強化學習的代表——它透過和自己下棋並接收勝負回饋來提升棋力。

台灣有哪些 ML 應用？

台灣在製造業視覺檢測（AOI）、金融風控、醫療影像判讀、零售推薦等領域已有成熟 ML 應用。根據 2026 年調查，47.8% 台灣企業已達 ML/AI 應用階段。

ML 模型會被攻擊嗎？

會。2026 年資料投毒和對抗樣本攻擊已成為企業級 AI 的主要威脅。企業需要建立訓練資料驗證、模型監控、對抗性測試等防護機制。

標籤： Machine Learning 機器學習 AI Supervised Learning Deep Learning AutoML