機器學習是人工智慧的一個子領域，它讓電腦系統能夠從資料中學習並改善其表現，而無需被明確地程式化。簡單來說，機器學習是讓機器透過經驗來自動優化的科學。
機器學習的核心概念包括：訓練資料（Training Data）、特徵（Features）、標籤（Labels）、模型（Model）、以及損失函數（Loss Function）。理解這些概念是學習機器學習的第一步。
機器學習的工作流程通常包括：資料蒐集、資料前處理、特徵工程、模型選擇、模型訓練、模型評估、以及模型部署。每個步驟都至關重要，任何環節的失誤都可能導致模型表現不佳。
考試重點
IPAS 考試重點：機器學習的三大類型（監督式、非監督式、強化學習）是必考題目。確保你能清楚區分它們的定義和適用場景。
注意
常見錯誤：很多考生會混淆「特徵」和「標籤」。特徵是模型的輸入變數，標籤是模型要預測的目標值。
學習建議
實務理解：想像你在教一個小孩認識水果。你給他看很多照片（訓練資料），告訴他哪些是蘋果、哪些是橘子（標籤），他逐漸學會根據顏色和形狀（特徵）來判斷。這就是監督式學習的基本原理。