AI、ML與深度學習 — 巢狀關係與三大機器學習範式
領域1概覽
領域1佔AIF-C01考試的20%。您需要理解AI、ML和深度學習的基礎概念 — 不需要編程，但必須能區分何時使用哪種方法。
考試提示：此領域經常出現「哪種機器學習類型最適合...」這類問題 — 要求您為給定的使用案例選擇正確的範式。
1. AI vs 機器學習 vs 深度學習
這三個概念具有巢狀關係：
┌─────────────────────────────────────────────┐
│ 人工智慧（AI） │
│ 「模擬人類智慧的機器」 │
│ ┌───────────────────────────────────────┐ │
│ │ 機器學習（ML） │ │
│ │ 「無需明確程式設計即可從資料中學習」 │ │
│ │ ┌─────────────────────────────────┐ │ │
│ │ │ 深度學習（DL） │ │ │
│ │ │ 「具有多層的神經網路」 │ │ │
│ │ └─────────────────────────────────┘ │ │
│ └───────────────────────────────────────┘ │
└─────────────────────────────────────────────┘
| 概念 | 定義 | 範例 |
|---|---|---|
| AI | 廣義領域 — 機器執行通常需要人類智慧的任務 | 聊天機器人、自動駕駛車、棋盤引擎 |
| ML | AI的子集 — 演算法從資料中學習模式 | 垃圾郵件過濾器、推薦引擎 |
| DL | ML的子集 — 具有多層的神經網路 | 影像辨識、語言翻譯 |
考試關鍵區別
- 傳統程式設計：規則 + 資料 → 輸出
- 機器學習：資料 + 輸出 → 規則（模型學習規則）
- 深度學習：自動從原始資料中提取特徵（無需手動特徵工程）
2. 三大ML範式
2.1. 監督式學習
模型從標記資料中學習 — 每個輸入都帶有正確的輸出（標籤/目標）。
| 任務類型 | 輸出 | 使用案例 | 演算法 |
|---|---|---|---|
| 分類 | 離散類別 | 垃圾郵件 vs 非垃圾郵件、欺詐偵測 | 邏輯迴歸、隨機森林、SVM |
| 迴歸 | 連續數值 | 房價預測、股票預測 | 線性迴歸、XGBoost |
考試提示：如果題目說「預測類別」或「分類」→ 分類。如果說「預測數值」→ 迴歸。
2.2. 非監督式學習
模型從未標記資料中學習 — 自行發現資料中的模式和結構。
| 任務類型 | 功能 | 使用案例 |
|---|---|---|
| 聚類 | 將相似的資料點分組 | 客戶分群、文件分組 |
| 降維 | 在保留資訊的同時減少特徵 | 資料視覺化、雜訊減少 |
| 異常偵測 | 發現不尋常的資料點 | 欺詐偵測、設備故障 |
| 關聯 | 發現項目之間的規則 | 「買了X的客戶也買了Y」 |
2.3. 強化學習（RL）
代理在環境中通過試錯學習。每個行動獲得獎勵（正面）或懲罰（負面）。
代理 → 行動 → 環境 → 狀態 + 獎勵 → 代理（循環）
使用案例：
- 遊戲AI（AlphaGo）
- 機器人導航
- 自動駕駛
- AWS DeepRacer（自動駕駛車模擬）
2.4. 選擇正確的範式 — 考試決策樹
您有標記資料嗎？
├── 是 → 監督式學習
│ ├── 預測類別？→ 分類
│ └── 預測數值？→ 迴歸
├── 否 →
│ ├── 想尋找分組/模式？→ 非監督式學習（聚類）
│ └── 通過試錯學習？→ 強化學習
3. ML的資料概念
3.1. 資料類型
| 類型 | 描述 | 範例 |
|---|---|---|
| 結構化 | 組織成行列（表格式） | CSV、資料庫表格、試算表 |
| 半結構化 | 有一定組織但靈活 | JSON、XML、日誌檔案 |
| 非結構化 | 無預定義格式 | 影像、影片、音訊、自由文字 |
| 時間序列 | 按時間索引的資料點 | 股價、IoT感測器讀數 |
3.2. 標記 vs 未標記資料
- 標記資料：每個資料點都有對應的答案（標籤）。範例：郵件 + 標記「垃圾郵件」/「非垃圾郵件」。用於監督式學習。
- 未標記資料：只有資料，沒有標籤。用於非監督式學習。
- Amazon SageMaker Ground Truth：幫助標記資料的AWS服務（人工 + ML輔助標記）。
3.3. 訓練集、驗證集、測試集
┌────────────────────────────────────────────────┐
│ 完整資料集 (100%) │
├──────────────────┬──────────┬──────────────────┤
│ 訓練集 (70%) │ 驗證(15%)│ 測試集 (15%) │
│ 模型從此資料 │ 調整 │ 最終評估 │
│ 中學習 │ 超參數 │ （訓練中從未見過） │
└──────────────────┴──────────┴──────────────────┘
- 訓練集：模型從此資料中學習模式
- 驗證集：用於調整超參數和防止過擬合
- 測試集：最終評估 — 模型從未見過此資料
4. 神經網路基礎
4.1. 架構
輸入層 → 隱藏層 → 輸出層
x₁ ──┐ ┌── h₁ ──┐
x₂ ──┼─────┼── h₂ ──┼──── ŷ（預測）
x₃ ──┘ └── h₃ ──┘
每個連接都有一個權重 (w)
每個神經元應用一個啟動函數
關鍵組件：
- 權重：模型在訓練期間學習的參數
- 偏差：用於移動啟動函數的額外參數
- 啟動函數：ReLU、Sigmoid、Softmax — 引入非線性
- 損失函數：衡量模型預測的錯誤程度
- 優化器：更新權重以最小化損失（如SGD、Adam）
4.2. 神經網路類型
| 類型 | 最適用於 | AWS服務 |
|---|---|---|
| CNN（卷積神經網路） | 影像、影片 | Amazon Rekognition |
| RNN/LSTM（循環神經網路） | 序列資料、時間序列 | Amazon Forecast |
| Transformer | NLP、文字生成 | Amazon Bedrock（LLM） |
| GAN（生成對抗網路） | 生成新資料（影像） | — |
5. 模型評估概念
5.1. 過擬合 vs 欠擬合
| 問題 | 訓練準確率 | 測試準確率 | 原因 | 解決方案 |
|---|---|---|---|---|
| 過擬合 | 非常高 | 低 | 模型記住了訓練資料 | 更多資料、正則化、dropout、早停 |
| 欠擬合 | 低 | 低 | 模型太簡單 | 更多特徵、更複雜的模型、更長的訓練 |
| 良好擬合 | 高 | 高 | 複雜度平衡 | — |
5.2. 偏差-方差權衡
- 高偏差 = 欠擬合（模型太簡單，遺漏模式）
- 高方差 = 過擬合（模型太複雜，對雜訊敏感）
- 目標：找到偏差與方差之間的最佳平衡點
5.3. 常用指標
分類指標：
| 指標 | 公式 | 何時使用 |
|---|---|---|
| 準確率 | (TP + TN) / 總數 | 類別平衡 |
| 精確率 | TP / (TP + FP) | 「不要將正常郵件標記為垃圾郵件」 |
| 召回率 | TP / (TP + FN) | 「不要遺漏任何欺詐」 |
| F1分數 | 2 × (P × R) / (P + R) | 類別不平衡 |
| AUC-ROC | ROC曲線下面積 | 整體二元分類 |
迴歸指標：
- RMSE（均方根誤差）：懲罰大的誤差
- MAE（平均絕對誤差）：平均誤差幅度
- R²：模型解釋方差的能力（1.0 = 完美）
6. 關鍵術語速查表
| 術語 | 定義（考試用） |
|---|---|
| 特徵 | 用於預測的輸入變數（資料中的欄位） |
| 標籤/目標 | 我們希望模型預測的答案 |
| 超參數 | 訓練前配置的設定（學習率、epoch數） |
| 參數 | 模型在訓練期間學習的值（權重、偏差） |
| Epoch | 對整個訓練資料集的一次完整遍歷 |
| 批次大小 | 更新權重前處理的樣本數 |
| 推論 | 使用訓練好的模型對新資料進行預測 |
| 遷移學習 | 使用預訓練模型並將其適應到新任務 |
7. 練習題
Q1：一家公司想要預測客戶是否會取消訂閱（是/否）。哪種ML方法最合適？
- A) 非監督式學習 — 聚類
- B) 監督式學習 — 迴歸
- C) 監督式學習 — 分類 ✓
- D) 強化學習
解說：使用標記的歷史資料預測二元結果（是/否）= 監督式分類。
Q2：一家零售公司有客戶購買資料，但沒有預定義的分組。他們想將客戶分為幾個群組以進行精準行銷。應該使用哪種方法？
- A) 監督式學習 — 分類
- B) 非監督式學習 — 聚類 ✓
- C) 強化學習
- D) 監督式學習 — 迴歸
解說：沒有標籤 + 尋找資料中的自然分組 = 非監督式聚類。
Q3：一個模型在訓練資料上表現極好（99%準確率），但在新資料上表現不佳（65%準確率）。這叫什麼？
- A) 欠擬合
- B) 過擬合 ✓
- C) 高偏差
- D) 正則化
解說：高訓練準確率 + 低測試準確率 = 過擬合（模型記住了訓練資料）。