機器學習(Machine Learning)是人工智能的一個分支。人工智能的研究歷史係以一支「推理」為起始點,到獲取「知識」為重點,再以此「學習」為出發點的自然、清晰的脈絡實現。顯然,機器學習是實現人工智慧的一個途徑之一。機器學習可以是監督學習、無監督學習、半監督學習與強化學習。機器學習可以被廣泛應用於居家管理、購物車、娛樂媒體,以及醫療保健業…等。機器學習理論主要是設計和分析一些讓電子計算機(電腦、數位訊號處理器或專用積體電路)可以自動「學習」的演算法。機器學習演算法是一類從資料中自動分析獲得規律,並利用規律對未知資料進行預測的演算法。機器學習在近 30多年已發展為一門多領域科際整合,涉及機率論、統計學、逼近論、凸分析、計算複雜性理論…等多門學科。
圖靈測試
圖靈測試(英語:Turing test)是英國電腦科學家·艾倫·圖靈(1912/06/23~1954/06/07)於 1950年提出的思想·實驗,圖靈也稱之為「模仿遊戲」。圖靈測試的實驗流程是由一位詢問者寫下自己的問題,隨後將問題傳送給在另一個房間中的一個人與一台機器,由詢問者根據他們所作的回答來判斷哪一個是真人,哪一個是機器。由於所有測試者都被單獨隔離,對話以純文字形式透過螢幕傳輸,因此結果不取決於機器的語音能力;這個實驗用意在「探求機器能否模仿出與人類相同或無法區分」的智慧型態。
認知科學
認知科學(cognitive science)跨越相當多層次的分析,從低層次的學習和決策機制,到高層次的邏輯和策劃能力,以至於神經系統(腦部神經·電路)。
監督式學習
監督式學習(supervised learning),可以由訓練資料中學習或建立一個模式(learning model),並依此模式推測新的實例,是機器學習方式的一種。訓練集(英語:training dataset)是由輸入物件(通常是向量)和預期輸出所組成。函數(模式)的輸出可以是一個連續的值(迴歸分析|regression analysis),或是預測一個分類標籤(taxonomy)。
無監式督學習
無監督式學習(unsupervised learning)是針對輸入資料進行「自動分類」或「自動分群」,是機器學習方式的一種。無監督學習不需提供「事先標記過的訓練」範例,是監督式學習和強化學習…等策略之外的一種選擇,主要運用領域:聚類分析(cluster analysis)、關聯規則(association rule)、維度縮減(dimensionality reduce)。生成對抗網絡(Generative Adversarial Network,簡稱:GAN)是無監督式學習的一種方法,它通過兩個類神經網絡相互博弈的方式進行學習。
參考:得當、深度學習。
半監督學習
半監督學習(semi-supervised learning)介於監督式學習(訓練數據全部有標籤)和無監督式學習(訓練數據全部無標籤)之間。半監督學習旨在緩解訓練數據中「有標籤數據」帶來的有限問題。
強化學習
強化學習(reinforcement learning)在於強調如何基於生態環境考量而行動,用以取得最大化的預期利益。強化學習不需要帶標籤式的「輸入、輸出」配對,同時也無需對「非最優控制」作精確地糾正。強化學習也被稱作「近似動態規劃」(approximate dynamic programming,ADP)。