一句話定義
機器學習（Machine Learning）是讓電腦從大量資料中自己找出規律，再拿這些規律去判斷新情況的方法，不需要人把每一條規則寫死。
30 秒看重點
- 是什麼：機器學習是人工智慧底下的一個分支，核心是「給資料、讓電腦自己歸納規則」，而不是由工程師一條條寫 if-else。
- 為什麼重要：垃圾信過濾、推薦清單、刷卡異常偵測，到 ChatGPT 這類大型語言模型，背後都是機器學習。
- 跟誰相關：想看懂 AI 新聞的一般人、要評估導入 AI 的主管、資料科學新手都會碰到它。
- 最常見的誤解：以為 AI、機器學習、深度學習是同一件事，其實是一層包一層的大圈套小圈。
- 記住這件事就夠了：傳統程式是人寫規則給電腦，機器學習是人給資料和答案，讓電腦自己把規則找出來。
機器學習到底是什麼？
機器學習是一種讓電腦「從例子裡學」的方法：你不告訴它規則，而是丟給它一大堆資料，讓它自己找出裡面的模式，之後遇到沒看過的資料也能做判斷。
微軟在 GitHub 上開源的入門課程《ML-For-Beginners》把它定義為「用特定的演算法，從資料中挖出有意義的資訊、找出隱藏的模式」，並且明講機器學習是人工智慧的一個重要子集。
這個詞可以追到 1959 年，IBM 的 Arthur Samuel 發表〈Some Studies in Machine Learning Using the Game of Checkers〉，研究怎麼讓電腦下西洋跳棋越下越好，一般認為「machine learning」一詞就是從這篇論文開始的。
教科書裡最常被引用的定義，則來自 Tom Mitchell 在 1997 年出版的《Machine Learning》：如果一個程式在任務 T 上的表現（用指標 P 衡量），會隨著經驗 E 而進步，就可以說它從經驗中學習。
聽起來很學術？套到垃圾信就好懂：任務是分辨垃圾信，經驗是一堆標好的信，指標是分對的比例。
生活比喻：你可以想像夜市雞排攤的老闆要決定今晚炸幾塊。新手老闆會寫一張規則表：「週五炸 200 塊、下雨減 50 塊」，可是遇到連假加上颱風剛走，規則表就不知道怎麼辦了。做了十年的老闆不看表，他看過幾千個晚上的天氣、日子、人潮跟賣剩多少，腦中自己長出一套判斷。機器學習就是把「看過幾千個晚上」這件事交給電腦去做。
為什麼會有機器學習？
因為很多問題根本寫不出完整的規則，或是規則多到人寫不完、改不完。
《ML-For-Beginners》也說，多數機器學習專案都是從「沒辦法用簡單條件判斷或規則引擎回答的問題」開始的。
傳統寫法常在這兩種地方撞牆：
- 垃圾信規則永遠寫不完：你寫「標題有『中獎』就丟垃圾桶」，詐騙集團隔天就改成「中.獎」或換成圖片。規則越堆越多，還會誤殺正常的抽獎通知信 QQ
- 有些判斷人自己也講不出規則：你一眼認得出照片裡是貓，但要把「怎麼認出貓」寫成程式碼，根本無從下手。
機器學習換個方向：與其教電腦怎麼想，不如給它夠多的例子跟答案。規則變了？丟新資料重新訓練就好，不用工程師逐條改。
機器學習是怎麼運作的？
先講結論：機器學習就是「準備資料 → 訓練模型 → 用沒看過的資料考試」，考不好就調整再來一輪。
《ML-For-Beginners》的流程濃縮起來大概是這樣：
- 定義問題、收集資料：先想清楚要預測什麼，例如「這封信是不是垃圾信」。資料裡可以量測的屬性叫特徵（feature），像寄件人、標題用字；要預測的那個答案叫目標（target）。
- 訓練模型：把大部分資料切成訓練集餵給演算法，讓它在資料裡找出規律，產出一個「模型」。模型就是學完之後那套判斷邏輯。
- 用測試集評估：留一份它從沒看過的測試集來考試，看看它在新資料上準不準。考不好就換參數、換演算法，再訓練一次。
為什麼要留考卷？因為模型很會背答案，這叫做過度擬合（overfitting）：模型把訓練資料的細節跟雜訊背得太熟，在練習題上近乎滿分，換一份新題目就露餡。就跟考前只背考古題的學生一樣，題目一改就傻眼（有被說中嗎）。
反過來，連訓練資料都學不好，叫做欠擬合（underfitting）。實務上很多時間都花在這兩頭之間來回調。
名詞小教室：你常聽到的「訓練一個 AI 模型」，指的就是上面第 2 步。像 ChatGPT 這種大型語言模型，第一階段的預訓練就是用海量文字反覆訓練它預測下一個字，本質上還是機器學習，只是資料量跟模型規模大到誇張。
機器學習有哪幾種？
機器學習最常見的分法有三種：監督式學習、非監督式學習、強化學習，差別在於「資料有沒有附答案」以及「回饋怎麼來」。
- 監督式學習（Supervised Learning）：資料有附標準答案。像是一萬封已經標好「垃圾信／正常信」的郵件，模型照著答案學。答案是類別的叫「分類」，答案是數字（例如預測房價）的叫「迴歸」。
- 非監督式學習（Unsupervised Learning）：資料沒有答案，讓模型自己分群。《ML-For-Beginners》舉的例子包括找出不同年齡層買什麼的市場區隔、從刷卡紀錄揪出可疑交易，課程裡還把它比喻成整理一團亂的襪子抽屜。
- 強化學習（Reinforcement Learning）：沒有標準答案，只有「做得好不好」的獎勵分數。模型像打電動一樣反覆嘗試，常常要等整局結束才知道輸贏，再從結果調整策略。
老實講，第三種跟你每天用的 AI 最有關係。讓 ChatGPT 變得比較會聊天的 RLHF，全名就是「人類回饋強化學習」，等於把人類的評分當成獎勵。
機器學習跟 AI、深度學習差在哪？
一句話：AI 是最大的圈，機器學習是 AI 裡「靠資料學習」的那一塊，深度學習又是機器學習裡「用多層神經網路」的那一塊。
這三個詞在新聞裡常被混用，整理成一張表：
| 比較項目 | 人工智慧（AI） | 機器學習（ML） | 深度學習（DL） |
|---|---|---|---|
| 範圍 | 最大，泛指讓電腦表現出智慧的所有方法 | AI 的子集，靠資料學習 | ML 的子集，用多層神經網路 |
| 規則從哪來 | 可以是人寫的，也可以是學來的 | 從資料學來 | 從資料學來，靠一層層的神經網路 |
| 經典例子 | 1980 年代的專家系統 | 垃圾信過濾、推薦系統 | 影像辨識、語音辨識、LLM |
| 常用工具 | 各式各樣 | scikit-learn | TensorFlow、PyTorch |
| 比喻 | 整間學校 | 學校裡靠刷題進步的班 | 那個班裡專攻超難題的資優生 |
從這張表可以看出來，說「深度學習」一定是在講機器學習，但說「機器學習」不一定是深度學習。
我的判斷是：想看懂新聞，記住「AI ⊃ 機器學習 ⊃ 深度學習」就夠了。現在新聞寫的「AI」，很多其實是深度學習模型 寫 AI 比較好下標。
機器學習是怎麼一路發展到今天的？
機器學習不是新東西，它紅了又冷好幾輪，這波爆發主要是資料跟運算能力終於追上來。
依微軟兩套入門課程整理：
- 1956 年：達特茅斯會議，「人工智慧」一詞誕生。
- 1957 年：Frank Rosenblatt 發明感知器（Perceptron）。
- 1959 年：Arthur Samuel 的跳棋論文，「machine learning」一詞出現。
- 1974-1980 年：第一次 AI 寒冬，運算能力太弱、資料太少，經費斷炊。
- 2007 年後：智慧型手機普及，資料量暴增，運算能力也跟著衝。
- 2012 年：卷積神經網路第一次用在影像分類，深度學習開始起飛。
畢竟機器學習吃的就是資料，資料不夠，再好的演算法也只能乾瞪眼。
你會在哪些地方看到機器學習？
先講結論：你每天用的很多 App 背後都有機器學習在跑，只是它不會跟你打招呼。
- 信箱的垃圾信過濾：最經典的監督式學習，模型看過大量標好的信，學會分辨哪些是垃圾。
- 影音與購物平台的推薦：「看過這部的人也看了」，靠的是從大家的行為資料找相似的人跟商品。
- 銀行的刷卡異常偵測：從大量交易裡揪出跟你平常習慣不一樣的刷卡，是非監督式學習的拿手戲。
- ChatGPT、Claude、Gemini：大型語言模型是深度學習的產物，也就是機器學習的一份子。
- 手機上的 AI 功能：手機跟筆電裡的 NPU 專門在裝置上跑神經網路運算。
如果你是工程師，入門最常碰到的是 Python 的 scikit-learn，2007 年由 David Cournapeau 以 Google Summer of Code 專案起頭，採 BSD 授權。
學機器學習最常見的 3 個誤解
機器學習最大的誤解是以為「電腦會自己思考」，其實它只是很會從資料找規律。
- 誤解一：機器學習就是 AI 的全部 — 真相是 AI 也有不靠資料學習的做法。《AI-For-Beginners》把 AI 分成「由上而下」模擬人類推理，跟「由下而上」模擬大腦結構兩條路。
- 誤解二：資料越多一定越準 — 真相是資料品質更重要。訓練資料有偏差，模型就會學到偏差；模型背太熟還會過度擬合，在新資料上反而失準。
- 誤解三：模型學會了就會一直準 — 真相是世界會變，資料也會變。詐騙手法改了、消費習慣變了，模型就得拿新資料重新訓練，不是做完一次就沒事。
說白了，資料本身有問題，換再厲害的演算法也救不太回來。
想多了解機器學習，從哪開始？
沒有技術背景的話：先讀本站的大型語言模型百科，看現在最紅的 AI 怎麼用機器學習訓練出來。接著留意手機裡哪些功能在「猜你要什麼」。
有技術背景的話：直接從微軟的《ML-For-Beginners》開始，12 週、26 堂課，從迴歸、分類、分群一路教到強化學習，用的是 scikit-learn。學完想往神經網路走，再接同系列的《AI-For-Beginners》（12 週、24 堂課）。兩套都在 GitHub 上免費（這種佛心課程不學可惜）。
常見問題 FAQ
機器學習跟 AI 有什麼關係？
機器學習是人工智慧的一個子集。人工智慧泛指讓電腦表現出智慧的所有方法，機器學習則專指讓電腦從資料中自己找出規律的那一類方法，目前大多數 AI 產品，包括 ChatGPT 這類大型語言模型，都是用機器學習訓練出來的。
為什麼機器學習突然這麼紅？
機器學習這個詞在 1959 年就出現了，近年爆紅是因為智慧型手機普及後資料量暴增、運算能力大幅提升，加上 2012 年起深度學習在影像辨識上突破，之後又有大型語言模型問世，讓機器學習的成果直接走進一般人的生活。
我不是工程師也需要懂機器學習嗎？
需要懂基本觀念，但不需要會寫程式。如果你常用 AI 工具，知道機器學習是從資料歸納規律，就能理解為什麼 AI 會出錯、為什麼資料偏差會讓結果偏差，也比較能判斷新聞裡的 AI 宣傳是不是誇大。
機器學習的中文翻譯有沒有統一？
有，台灣與中國大陸都普遍使用「機器學習」。差別主要在相關用詞，例如台灣說「資料」「演算法」，中國大陸常說「數據」「算法」。本站採用台灣用語，英文寫作 Machine Learning，常縮寫為 ML。
學會機器學習之後，下一個該學什麼？
建議接著了解深度學習與神經網路，這是現代 AI 的核心；再讀大型語言模型與預訓練，了解 ChatGPT 是怎麼訓練出來的；最後可以看人類回饋強化學習，理解 AI 為什麼會變得比較聽話。
延伸閱讀
- LLM 是什麼？中文叫大型語言模型 — 機器學習目前最出名的成果。
- 預訓練（Pre-training）是什麼？ — 機器學習放大到極限長什麼樣。
- RLHF 是什麼？ — 強化學習在聊天機器人上的實際應用。
- NPU 是什麼？中文叫神經處理單元 — 手機筆電裡專門跑神經網路的晶片。
- Google AI 晶片上太空 — Google 想用太陽能衛星群在太空跑機器學習。
參考來源
- ML-For-Beginners：Introduction to machine learning｜Microsoft GitHub — 定義、與 AI 和深度學習的關係。
- ML-For-Beginners：History of machine learning｜Microsoft GitHub — 1956 到 2011 年的發展時間軸。
- ML-For-Beginners：Techniques of machine learning｜Microsoft GitHub — 訓練流程、訓練集與測試集、過度擬合。
- ML-For-Beginners：Introduction to clustering｜Microsoft GitHub — 非監督式學習與分群的例子。
- ML-For-Beginners：Reinforcement learning｜Microsoft GitHub — 強化學習的獎勵機制。
- ML-For-Beginners 課程首頁｜Microsoft GitHub — 課程規模與範圍。
- AI-For-Beginners｜Microsoft GitHub — 深度學習課程與使用框架。
- AI-For-Beginners：Introduction to AI｜Microsoft GitHub — 兩種 AI 做法與 2012 年影像分類突破。
- scikit-learn｜GitHub — 專案起源與授權。
查證限制：Arthur Samuel 1959 年論文與 Tom Mitchell 1997 年教科書定義，原文網站在撰寫環境無法開啟，以多個搜尋結果交叉比對一致後才寫入，未列入參考來源。
整理一下重點：機器學習說穿了就是「給資料、給答案，讓電腦自己找規則」，搞懂它跟 AI、深度學習的大小圈關係，看 AI 新聞真的會清楚很多。
希望這一篇有讓你對機器學習有比較具體的理解哩～如果發現事實錯誤、定義不準、或翻譯卡卡的，歡迎透過聯絡頁指正，看到我們會盡快修。
我們下篇文章見囉～
本條目由 Array 報報 AI 編輯部根據上方「參考來源」整理，文末已揭露 AI 生成 + 公開資料引用。