機器學習介紹(下)｜監督式學習 /無監督式學習/半監督式學習/強化學習

上一篇講到監督式機器學習以及對應可解決的問題~雖然用法似乎已經很多元了，但機器學習難道只有這樣嗎？當然不是！所以接下來這篇，小編便要和大家介紹無監督學習、半監督學習及強化學習，順便附上今年國營聯招(資訊組、統計資訊組)的相關考題及解答，一起來看看吧～

無監督式學習(Unsupervised Learning)

不給定labeled examples，由機器自行整理資料，常見的應用如分群、關聯規則、異常偵測......等等，以下舉生活中的例子說明。

-群聚/聚類

➤例：行銷市場區隔

有時可能TA組成太過複雜，需要藉由新的聚類劃分特徵，這一方面帶來新視野，另一方面也解決了Google長期使用Cookie追蹤碼監看用戶行為的隱私問題。但這個做法亦曾引起爭議，有些人擔心若使用於區隔行銷的資料逐漸流行、並固化於大眾認知，是否會導致更多人與人之間的隔閡，甚至進一步可能強化對不同種族、性別、階級、職業等等之刻板印象。由於AI的道德與法律問題在近年不斷受到矚目，因此也愈來愈多人願意在各種AI應用上尋求更廣且深的反思。

-關聯規則

分為布林關聯規則(Boolean association rules)和數量關聯規則(quantitative association rules)，前者用於判斷A出現後B是否跟著出現，後者判斷與A對應的相關數值。

1	{奶粉,麵包}
2	{奶粉,尿片}
3	{奶粉,麵包,尿片}
4	{嬰兒車,奶粉,尿片}
5	{嬰兒車,奶粉,尿片,奶嘴}

➤例：購物車推薦購買

以布林關聯規則和數量關聯規則檢視為例，前者比如買了嬰兒車的人，也可能想購買奶粉、尿片，後者則比如年齡("25-35") →購買("嬰兒車")。這便是購物車推薦的由來，即藉由分析哪些物品時常同時被放進購物車，建立物品之間的聯繫關係，當使用者將項集中的其中一個物品放入購物車/列為收藏，系統便會自動推薦該項集中的其他物品給使用者。

半監督式學習(Semi-supervised learning)

介於監督式學習及非監督式學習之間，一部分資料採用監督式機器學習進行作業，另一部分採用非監督式完成，因此可以提升作業效率，此方法尤其適用於須耗費大量時間與人力標記資料的狀況，如醫學影像。

強化學習(Reinforcement Learning)

強調如何在當下環境中行動以獲得最佳利益，其中運作類似演算法的獎懲機制，訓練的AI會在每一次結果得到正向或負向回饋，並藉此調整，讓結果能逐漸變得樂觀，因此可以說強化學習的目標是找到最佳策略、方法以獲得最大reward，常見的方法如Q-Learning。

➤例：Alpha Go

其實根據說明便可知這是類似於賽局理論的一種機器學習，因此用在棋局中自是再適合不過，將每一個時間點對環境觀察的集合視為State，再根據State和獎懲引導下一個行動，進而決定策略，傳奇便是由此而生，AI更從此走紅各界。

108/2019年度國營聯招機器學習相關題目解題

(108國營聯招-資訊組)

答案：(C)

(108國營聯招-統計資訊組)

答案：(A)
*PCA、LASSO、ICA、LDA、NMF等都是常見降維方法
(B)藉由大量標記訓練是監督式機器學習
(C)γ愈大，agent愈重視以往經驗，愈小則只重視眼前利益
(D)K-means是非監督式機器學習的演算法，用以分群

(108國營聯招-統計資訊組)

答案：(D)
常見的監督式學習演算法： 決策樹(Decision Tree)、隨機森林(Random Forest)、支持向量機(Support Vector Machine, SVM)、羅吉斯迴歸(Logistic Regression)、線性迴歸(Linear Regression)
常見的無監督式學習演算法： K-means、生成對抗網路(GAN)、Apriori(關聯)

看完之後是不是覺得簡單又有趣呢？由於近年AI盛行，不少考試也會將機器學習、深度學習等納入考題。雖然實際運用時會牽涉到複雜的數學及各種演算法理論，但我們只要理解一些基礎知識便足以應付部份考試囉！


立即免費諮詢國營事業↓↓

推薦閱讀：
機器學習介紹(上)｜監督式學習 /無監督式學習/半監督式學習/強化學習
108/2019年度國營事業聯招題目及解答