機器學習技術與應用 重點整理

核心概念

「機器學習技術與應用」是中級 AI 應用規劃師最硬核的科目，把「機器如何從資料學習」拆解到數學、演算法、工程與治理四個層次。官方學習指引指出：機器學習的本質是「透過觀察資料中潛藏的模式，建構能推論未知情況的模型」，而資料表徵、模型建立、參數學習、結果評估與調整，全都深深依賴數學概念支撐。

本科分為四大主題。機器學習基礎數學奠基於機率統計（量化不確定性、條件機率 $P(Y\mid X)$ 與貝氏定理）、線性代數（向量/矩陣表示、線性變換、矩陣分解降維）與數值優化（把訓練視為最小化損失函數的最佳化問題，靠梯度下降求解）。機器學習與深度學習釐清監督／非監督／強化三大範式、線性迴歸到集成樹的常見演算法，以及 MLP／CNN／RNN／Transformer 等深度架構的前向與反向傳播原理。建模與參數調校涵蓋資料清理與特徵工程、依任務與資料規模選模、訓練評估（混淆矩陣、交叉驗證）與超參數調校。機器學習治理處理資料隱私安全合規與演算法偏見公平性。指引強調：模型效能「不僅取決於演算法本身，更仰賴整體建模流程每一環節的設計品質」，且「資料與特徵表達往往比演算法本身更決定最終表現」。