一、監督學習（Supervised Learning）

• 定義：透過帶有標籤（正確答案）的資料訓練模型，學習輸入特徵與輸出標籤之間的對映關係，用於預測未知資料的標籤。
• 典型演算法：
線性迴歸：預測連續值（如房價）。
邏輯迴歸：二分類任務（如垃圾郵件識別）。
決策樹：基於特徵分割資料（如貸款風險評估）。
支援向量機（SVM）：透過超平面分類資料（如文字分類）。
K近鄰（KNN）：根據鄰近樣本分類（如手寫數字識別）。
• 典型任務：
迴歸：預測連續數值（如股票價格）。
分類：預測離散標籤（如疾病診斷）。
• 通俗解釋：就像老師帶著答案教學生做題，模型透過大量“題目+答案”學習規律，最終能獨立完成類似題目。

二、無監督學習（Unsupervised Learning）

• 定義：從未標註資料中發現隱藏結構或模式，無需標籤指導。
• 典型演算法：
K-means聚類：根據相似性分組資料（如客戶分群）。
DBSCAN：基於密度發現任意形狀的簇（如異常檢測）。
主成分分析（PCA）：降維以簡化資料（如視覺化高維資料）。
關聯規則（Apriori）：發現數據間關聯（如購物籃分析）。
• 典型任務：
聚類：將相似資料分組（如使用者行為分析）。
降維：壓縮資料維度（如影像特徵提取）。
異常檢測：識別離群點（如信用卡欺詐檢測）。
• 通俗解釋：像學生自己整理筆記，透過觀察資料間的相似性自動分組或簡化資料。

三、強化學習（Reinforcement Learning）

• 定義：透過與環境互動試錯，根據獎勵訊號最佳化策略，以最大化長期累積獎勵。
• 典型演算法：
Q-Learning：透過更新Q值表學習最優策略（如平衡杆遊戲）。
深度Q網路（DQN）：結合神經網路處理複雜狀態（如Atari遊戲）。
策略梯度（DDPG）：適用於連續動作空間（如機器人控制）。
• 典型任務：
動態決策：如自動駕駛路徑規劃。
遊戲AI：如AlphaGo圍棋策略。
• 通俗解釋：像訓練小狗做動作，正確時給零食獎勵，錯誤時無獎勵，最終學會最優策略。

四、半監督學習（Semi-Supervised Learning）

• 定義：結合少量標註資料和大量未標註資料訓練模型，降低標註成本。
• 典型演算法：
標籤傳播：基於圖結構傳遞標籤（如文字分類）。
半監督SVM：利用未標註資料最佳化分類邊界。
• 典型任務：
醫學影像分析：少量標註CT片結合大量未標註資料學習。
• 通俗解釋：像學霸用錯題本和大量練習題自學，少量標註資料指導模型方向。

五、自監督學習（Self-Supervised Learning）

• 定義：透過自動生成偽標籤，從未標註資料中學習特徵表達。
• 典型演算法：
掩碼語言模型（如BERT）：透過預測被遮蓋的詞語學習上下文。
對比學習（如SimCLR）：透過增強資料構建正負樣本對。
• 典型任務：
影像補全：預測被遮蓋的畫素。
語言模型預訓練：生成文字的上下文表示。
• 通俗解釋：像玩填空題，模型透過猜測缺失部分自學語言或影像規律。

• 總結對比