# 1. 機器學習的基本概念
機器學習的核心目標是學會一個函式，這個函式可以把「輸入資料」轉換成「輸出結果」。透過機器學習，我們可以從資料中自動學習規則，找出資料輸入與輸出之間的對應關係函式。
# 2. 深度學習與神經網路
深度學習是一種機器學習的方法，是一套可以統一處理多種問題的萬用工具，透過「深層神經網路（Deep Neural Network, DNN）」來表示函式。

神經網路本質上是一個可調整參數的函式，能接受不同形式的資料，並輸出對應結果。以下為常見的輸入類型與對應任務：
| 輸入形式 | 應用範例 | 輸出類型 | 任務類型 |
| ------ | ----------- | --------- | ------ |
| 向量 | 個人資料、天氣資料 | 數值 | 回歸任務 |
| 向量 | 郵件內容（轉換為向量） | 類別（垃圾/正常） | 分類任務 |
| 圖像（矩陣） | 臉部辨識 | 類別（人名） | 圖像分類 |
| 文字序列 | 語音、翻譯、摘要 | 文字/語句 | NLP 任務 |
## 2.1. 監督式學習（Supervised Learning）
監督式學習的核心思想是：從成對的輸入資料與標籤中學習，找出一個函式 𝑓(𝑥)=𝑦，能將輸入𝑥正確對應到輸出𝑦。而這些有標註的資料，稱為 ground truth，是監督式學習訓練模型的依據。

監督式學習雖然簡單、直覺，卻也面臨許多問題。其過度依賴大量標註資料，且對於專業知識標註更難取得（例如：醫學影像、法律文件），限制了它的可擴展性。
## 2.2. 自監督學習（Self-Supervised Learning）
自監督學習的核心精神是：「先讓機器學會基本能力，再進行特定任務的學習」，透過預訓練機制有效解決資料標註成本問題。搭配 Foundation Models，可快速應用於多元任務。
### 2.2.1. 預訓練（Pretraining）
預訓練利用資料內部的結構設計訓練任務（如：讓模型預測遮蔽詞、判斷圖像是否鏡像翻轉等），不需要人工標註，只需原始資料即可完成學習。這些基礎能力會被轉移至後續的分類、辨識、生成任務中，提升準確率與穩定性。以下列舉幾個例子:
| 預訓練任務類型 | 模型學到的能力 |
| ------------------ | -------------- |
| 判斷圖像是否為左右翻轉 | 圖像辨識中的對稱結構判斷能力 |
| 分辨不同顏色但相同內容的圖像是否相同 | 抽象特徵識別與不變性辨別 |
| 判斷音訊片段是否來自同一個說話者 | 聲紋特徵提取與辨識能力 |
### 2.2.2. Foundation Models（基礎模型）
Foundation Models 類似「作業系統」的角色，幫助應用層減少開發成本。其已學習通用能力，可被廣泛應用於各種下游任務。
## 2.3. 強化學習（Reinforcement Learning）
強化學習的本質是：從結果的成敗中學習行為策略。其與監督式學習不同，不依賴每個輸入的標準答案，目標是讓機器透過「試錯學習」與「回饋訊號」找到最佳決策策略。以下為核心元素:
| 元素 | 說明 |
| ---------- | ---------------------- |
| 狀態（State） | 當前環境的資訊，例如棋盤、畫面、機器人位置等 |
| 行動（Action） | 系統可以採取的行動，例如下棋、移動、選擇等 |
| 獎勵（Reward） | 每次行動後所獲得的回饋訊號，用以衡量成效 |
| 策略（Policy） | 決定在各種狀態下要採取哪種行動的學習結果 |

強化學習的優點是適用於回合式決策問題、遊戲、控制系統、自駕車等領域。可以在無需明確標籤的情況下學習出高效策略。缺點是訓練不穩定，需要大量嘗試與時間來獲得足夠的回饋，難以應對過於複雜的任務。

強化學習適合那些「無法標註每個輸入行為是否正確，但可以衡量最終表現」的任務，是建立自主學習與策略決策系統的重要方法。
# 3. 機器學習的挑戰與新興方向
以下為三個現代機器學習研究中的重要挑戰與發展方向：
| 挑戰類型 | 目的與功能 |
| ------- | ----------------------- |
| 異常檢測 | 辨識從未見過的輸入資料，提升模型謹慎性與可靠度 |
| 可解釋性 AI | 了解模型決策的依據，發現潛在偏誤，增進人機信任 |
| 對抗性攻擊防禦 | 增強模型在惡意輸入下的穩定性與實用性 |
## 3.1. 異常檢測（Anomaly Detection）
異常檢測讓模型具備「拒絕回答」與「不過度自信」的能力，是提升模型可靠性的關鍵。

模型要能夠說出：「我不知道這是什麼」，而不硬套既有類別，類似人類遇到陌生事物時會保持保留判斷。
## 3.2. 可解釋性 AI（Explainable AI, XAI）
可解釋性 AI 可以幫助我們發現模型學錯重點或過擬合背景，是 AI 系統可信度的關鍵。以下舉例:

訓練一個分類器，使模型判斷圖片「是寶可夢還是數碼寶貝」。而最終結果中，模型在沒看過的新資料上準確率居然高達 98.4%。

接著，使用 Grad-CAM 或 LIME 等可解釋性工具分析，發現模型在判斷數碼寶貝時，注意的是圖片四角，而在判斷寶可夢時，注意的是透明背景。

可見此模型學到的其實是圖檔格式與背景顏色，而不是角色本體。訓練失敗。
## 3.3. 對抗性攻擊（Adversarial Attack）
那些被設計來誤導模型的輸入，稱為對抗樣本（Adversarial Examples）。雜訊極小，但對模型影響巨大。以下舉例：

在一張原本被判定為「貓」的圖片中加入人眼都看不見的雜訊後，模型卻誤判成完全無關的「海星」類別。
# 4. 模型壓縮（Model Compression）
現代神經網路模型動輒數百 MB、上億參數，難以部署在手機、手錶等邊緣裝置上。而模型壓縮是讓 AI 進入實際場景（特別是邊緣設備）的關鍵，被廣泛應用於：智慧手機中的影像辨識、穿戴裝置中的健康監測、自駕車即時決策模組。以下為技術說明：
| 技術名稱 | 說明 |
| ---------------------------- | ------------------------------------------ |
| 知識蒸餾（Knowledge Distillation） | 將大模型的「知識」轉移給小模型（教師 → 學生） |
| 權重剪枝（Pruning） | 移除模型中不重要的連接與參數，減少運算與空間需求 |
| 參數量化（Quantization） | 將浮點數轉換為低位元整數（如 32-bit → 8-bit），降低模型大小與推論延遲 |
# 5. 分布偏移（Distribution Shift）
多數機器學習模型的假設是：訓練資料與測試資料來自同樣的分布。然而實務中經常出現分布差異，導致模型效能大幅下降。

解法為Domain Adaptation（領域適應）：調整模型以適應新來源資料的特性，與Robust Training（穩健訓練）：讓模型能容忍輸入資料的變動。
# 6. Lifelong Learning
一般機器學習模型在學習新任務時，容易遺忘舊任務的知識。這種現象稱為：災難性遺忘（Catastrophic Forgetting）。Lifelong Learning 的目標是模仿人類的學習機制，即不斷吸收新知識並同時保留舊知識。

解法包括保留部分舊資料（Replay-based）與對舊任務加強記憶的正則化方法（如 EWC）。
# 7. Meta Learning
Meta Learning 的核心理念是：「不只是學習，而是讓機器學會如何學習」。模型能從多個任務中提取共通經驗，並快速適應新任務。以下為傳統機器學習與Meta Learning的對比：
| 傳統機器學習 | Meta Learning |
| ------------- | -------------------- |
| 人類設計學習規則，模型照做 | 機器主動發現學習策略 |
| 每個任務需從頭開始訓練 | 利用以往經驗快速適應新任務 |
| 通常需要大量資料與時間 | 支援少量樣本快速學習（Few-shot） |
## 7.1 Few-shot Learning
Few-shot Learning 是Meta Learning 的應用場景之一，只需極少樣本就能讓模型完成任務。以下舉例：
| 應用情境 | 說明 |
| ------------ | ------------------ |
| 看一兩張圖片就分類新角色 | 模型只需見過幾張就能認識新人物或物種 |
| 聽幾句話就辨識新說話者 | 無需大量語音資料即可辨識語者身分 |