# 機器學習工作坊1 重點概念整理 > [name=Yun-Tao Chen] > [time=Wed, Sep 18, 2019 12:05 PM] **機器學習 (Machine Learning)** 領域的原物料是**大量的資料**，也是俗稱的**大數據**， 有了大數據後，就可以透過資料來訓練機器學習模型，目的就是讓機器學習模型能夠 “看懂” 資料。 機器學習演算法核心是機率模型，有許多參數可以調整，使得模型能夠輸出更接近正確的資訊。 參數調整的方式則是演算法的一大重點，與訓練模型所用的資料相輔相成 準備資料時，我們必須要蒐集齊全每一筆資料的 input 端與 output 端，例如做貓咪影像辨識時，我們必須提供大量已知是**貓的圖片**，以及**不是貓的圖片**，讓機器學習模型自動去調整參數，得到一個**能夠辨識一張圖片是否是貓**的模型。 評估機器學習模型的策略，以及資料準備的處理方式，都是機器學習領域當中，非常重要的環節。有好的評估準則，才能讓我們挑出好的機器學習模型，用在適合的情境當中。在做分類問題時，統計學當中有三個很常用的指標，分別為**精確率 (P