到底甚麼是機器學習-MachinLearning

你是否曾好奇，電腦如何從一堆 0 和 1 的數據中，學會辨識圖片、翻譯語言，甚至做出決策？這一切的背後魔法，正是機器學習（Machine Learning, ML）——人工智慧（AI）的核心動力。機器學習讓電腦擁有「自學」的能力，無需明確的程式指令，就能從海量數據中挖掘規律，並應用於預測、分類或決策。隨著 AI 技術席捲全球，機器學習正以前所未有的方式改變我們的生活。如果你對神經網路的基礎概念還不熟悉，建議先閱讀我們的上一篇介紹：「AI為何如此「聰明」？一篇文讓你秒懂神經網路，掌握智慧科技新趨勢！」。接下來，讓我們一起深入探索機器學習的奧秘，揭開電腦如何從數據中提煉智慧的秘密！

從感知機開始：機器學習的起點

機器學習的歷史可以追溯到 1950 年代，當時電腦科學家法蘭克·羅森布拉特（Frank Rosenblatt）提出了感知機（Perceptron），這是神經網路和機器學習的雛形。感知機是一種簡單的二元分類器，模擬人腦神經元的運作，旨在讓機器分辨兩類數據，例如「是」或「否」。它的運作原理如下：

• 輸入與權重：感知機接收多個輸入（例如圖像的像素值），每個輸入乘以一個權重（Weight），這些權重決定每個輸入對最終結果的影響程度。
• 加權求和：感將所有輸入的加權值相加，再加上一個偏置（Bias），形成一個總和。
• 激活函數：總和透過一個激活函數（通常是一個簡單的階躍函數）轉換為輸出，例如 0 或 1，代表兩種分類。

以圖像辨識為例，假設要判斷一張圖片中的動物是貓還是狗，感知機會根據圖片的特徵（如耳朵形狀或毛色）進行加權計算，進而得出結論。更具體地說，實際操作時，圖片的像素值會被攤平為一串數字，輸入到模型的每個神經元中。透過反覆訓練並根據誤差調整權重，感知機逐漸學會辨識圖片的能力，猶如一個初學者通過練習逐步掌握新技能。

雖然感知機的概念簡單，但它奠定了神經網路的基礎。然而，感知機的局限性很快顯現：它只能處理線性可分的數據（即數據可以用一條直線分開），對於更複雜的問題（如 XOR 邏輯問題）無能為力。這一缺陷在 1969 年被馬文·閔斯基（Marvin Minsky）和西摩·帕普特（Seymour Papert）指出，導致機器學習研究一度陷入低潮。

從低谷到復興：深度學習的誕生

反向傳播的出現，讓神經網路從單純的「模仿神經元」進化為能夠解決複雜問題的工具。它的核心技術就是反向傳播 (Backpropagation) ：當神經網路的預測與實際結果不符時，計算誤差並將其「反向」傳遞到網路的每一層，逐步調整每個神經元的權重和偏差。這種「從錯誤中學習」的過程，就好像我們在學習新技能時，通過一次次的嘗試和修正來進步。以手寫數字辨識的例子來說，當一台機器誤將手寫數字「7」辨識為「1」，反向傳播會根據誤差調整網路參數，讓下一次的預測更準確。這樣的學習模式並不要求模型在一開始就達到最好，而是透過一步步訓練，逐步改善模型在特定領域當中。

這項技術解決了感知機無法處理非線性問題的瓶頸，讓多層神經網路（即多層感知機，Multi-Layer Perceptron, MLP）成為可能。MLP 透過堆疊多層神經元，能捕捉數據中的複雜模式，開啟了神經網路的現代化進程。 近年來硬體革命大幅提升了計算能力。GPU（Graphics Processing Unit）和專為 AI 設計的張量處理單元 : TPU (Tensor Processing Unit)，讓訓練複雜模型的時間從數週縮短到數小時甚至數分鐘。這種硬體加速讓研究者能實驗更深的網路結構，讓模型表現更好；其次數據爆炸提供了訓練深度學習模型的「燃料」。網路和數位化時代的到來，讓我們擁有了前所未有的海量數據 ，舉凡上傳到網路的圖片、影片等，經過加工都有可能成為訓練模型的資料，這些資料就是告訴模型如何識別特定場景的「教科書」。

機器學習的模型種類

深度學習的突破，離不開幾個改變遊戲規則的模型。它們各有專長，推動了從圖像識別到語言處理的革命。

卷積神經網路（CNN）：圖像的智慧之眼

你有沒有想過，電腦如何「看懂」圖片？卷積神經網路（CNN）就像一台模仿人類視覺的機器，能從圖片中自動提取特徵，從簡單的邊緣到複雜的輪廓。它的核心在於卷積層和池化層：卷積層像一個滑動窗口，捕捉圖片的局部特徵；池化層則濃縮信息，保留關鍵細節。這種結構讓 CNN 在圖像分類、人臉識別、甚至醫學影像分析（如檢測腫瘤）中表現突出。由於在圖片辨識當中只需要關注特定區域的影像，這樣的特性可以在大大減少全連接神經網路的權重計算，但並不會影響到模型的性能。

循環神經網路（RNN）：序列數據的記憶大師

當數據有前後關聯，比如語音或文字會有前後文語義的問題，循環神經網路（RNN）就派上用場了。RNN 的獨特之處在於它的「記憶」能力：每處理一步，它都會保留前一步的信息，影響後續計算。這讓它非常適合語音識別、機器翻譯或文字生成。例如，早期的 Google 翻譯就依靠 RNN 的改良版本——長短期記憶網路（LSTM），實現了更流暢的語言轉換。

然而，傳統 RNN 在處理長序列時容易「忘記」早期信息。LSTM 和另一個改良版 GRU（門控循環單元）通過「門」機制，選擇性地保留重要信息，解決了這一問題。從 Siri 的語音解析到股票價格預測，RNN 家族在序列數據處理中扮演了關鍵角色。

Transformer：語言處理的革命者

2017 年，Google 提出的 Transformer 模型徹底改變了自然語言處理（NLP）。它放棄了 RNN 的循序處理，改用「注意力機制」，能同時關注序列中的所有元素，極大提升效率。想像你在讀一句話時，會特別注意關鍵詞，Transformer 也是如此，它能快速抓住句子的核心意思。

Transformer 催生了像 BERT 和 ChatGPT 這樣的現象級模型。BERT 擅長理解文字的上下文，改進了搜尋引擎的準確性；ChatGPT 則基於 GPT 架構，能生成流暢的對話，甚至寫詩或編故事。從翻譯到問答系統，Transformer 的影響力無遠弗屆，甚至開始應用於圖像處理，展現了它的多才多藝。

生成對抗網路（GAN）：創造力的魔法

生成對抗網路（GAN）就像一場「藝術家與評論家」的對決。生成器試圖創造逼真的數據（如假人臉圖片），而鑑別器則負責分辨真假。兩者互相競爭，直到生成器產生的數據幾乎無懈可擊。GAN 的創造力令人驚嘆：它能生成高解析度的假人臉（像 NVIDIA 的 StyleGAN）、修復老照片，甚至創作抽象畫作。

DeepFake 技術就是 GAN 的代表應用，讓換臉影片栩栩如生，但也引發了倫理討論。從遊戲設計到數據增強，GAN 為創意產業和技術應用開闢了新天地。

當今的人工智慧技術，之所以能在圖像、語言、聲音等領域展現出驚人的能力，關鍵在於機器學習模型的持續演進與突破。從最初的感知機，到能處理複雜非線性問題的多層感知機（MLP），再到深度學習時代的卷積神經網路（CNN）、循環神經網路（RNN）、Transformer 與生成對抗網路（GAN），每一個模型都是人工智慧發展史上的里程碑。未來，隨著模型架構的精進與應用場景的多元化，機器學習將更加深入我們的日常生活，從輔助工具走向智慧夥伴。在這場 AI 革命中，了解這些基礎模型的運作原理與應用情境，不僅有助於掌握科技脈動，更是進入智慧時代的第一步。