什么是机器学习？
机器学习（Machine Learning, ML），即是人工智能的分支，主要是通过系统将收集来的大量数据资料依序分类，通过算法识别资料中的模式，产出模型加以学习改进，进而做出最佳的决策及预测。
以 Facebook、LinkedIn、Instagram 等社群平台为例，系统会持续关注用户的好友清单、兴趣、所加入的社群等信息，运用机器学习的概念，推送信息高度关联的好友建议清单、想加入的社团，或是将可能有兴趣的内容加入动态消息，为用户数字社群增加新可能性。
當然，当然，这项案例只是机器学习技术中的冰山一角，随着电脑计算能力越发强劲，数据收集也越发多元，如医学诊断等辅助、证券分析、指纹识别、语音处理、在线购物、天气预判等都能看见其身影。
机器学习类型
虽然机器学习时常与 AI 一起讨论，但值得注意的是，机器学习归属于 AI 范畴，但并不是所有 AI 都能划分为机器学习。
机器学习就好比人类学习的模式一样，但要让机器具有学习能力，就必须依照训练数据获得规律，接着分析、理解及判断。而机器学习根据不同的模式，又分为监督式学习（Supervised Learning）、非监督式学习（Unsupervised Learning）、半监督式学习（Semi-supervised Learning）及强化学习（Reinforcement Learning）四种。
监督式学习（Supervised Learning）
监督式学习，是机器学习中的一种方式，它将所有的数据加以「标注」（Label），告诉机器哪个答案是对的，哪个答案是错的，告诉机器什么是正确答案后，借此教导机器学习如何判断出标准结果。以最常见的猫、狗识别为例，导入图像样本后，需由「人工」进行标注，将图像样本中的猫狗标示出来，让机器学习认识猫与狗的外观与特征（Feature），例如耳朵、四肢、体型等，而后机器就能依照数据中的分析模式进行识别及预测。
由于监督式学习的操作，在事前须仰赖人力对图像进行特征标注，若要让模型达到预期的准确度，就须提供完整、大量的数据给机器学习。因此，监督式学习准确度较高，但作业量相对大，执行面也相对繁琐。
非监督式学习（Unsupervised Learning）
就如同字面上的「非」字，非监督式学习的训练，它没有给机器事先标注过的训练范例，而是让机器自动寻找数据的特征并自行分类。
例如提供机器大量猫和狗的图片学习，但事前并没有告诉机器哪些是猫哪些是狗，而是直接让机器自动区分猫狗潜在特征并分类。非监督式学习常见的功能可为分群（Clustering）、关联（Association）与降维（Dimension Reduction），在数据探勘初期是好用的工具，对人力的负担较小，但对机器而言却相反，且不重要的特征容易被过度放大，预测结果容易出现偏差。
半监督式学习（Semi-supervised Learning）
所谓半监督式学习，就是对少部分的数据进行标注，提供机器学习判断误差时的标准。这样的方法可以让预测较为精准，是目前机器学习类型中最常使用的方法。
例如任选 100 张猫狗的图片，在其中的 10 张图片中进行标注，告知机器哪些是猫或狗的特征，让机器自己学习分辨照片中的关联性。有了这 10 张图片的特征作为依据，通常机器预测出来的结果较非监督式学习精准。
强化式学习（Reinforcement Learning）
强化式学习的运作方式，是让机器直接与环境互动，从中去学习以取得预期的结果。这种学习方式，不需要进行标注，而是通过反馈告诉计算机哪一步是正确的，哪一步是错误的。机器通过不断修正自己的行动，并进行自我学习，最终能够更高效地达到目标。
以非监督式学习来说，强化式学习显得格外重要。比如，要让机器自行学习辨识特征，假设机器将狗的照片误判为猫，这时可以由人给予机器纠正，让机器从错误中学习。通过这种方式，机器能够学会正确的分类和辨识，从而使得预测更加精确和可靠。
其实，以上介绍的四种机器学习方式，仅是大致的分类。在实际项目中，执行哪种算法的方式，需要根据实际的数据量、目标等因素来决策。因此，无论选择哪种学习方法，主要的考量点就是——想解决什么问题？