11、機器學習一般可分為「監督式學習」和「非監督式學習」，下列何者屬非監式學習？
(A)學習過程中的資料處理是依照關聯性歸類找出潛在規則，形成集群。
(B)從標籤化(labeled)資訊中分析後做出預測的學習方式。
(C)學習過程會透過對比的誤差修正以提高學習準確率。
(D)需要大量的事前作業將所有可能的特徵標記起來。

1.監督式學習 (Supervised learning) 是電腦從標籤化 (labeled) 的資訊中分析模式後做出預測的學習方式。標記過的資料就好比標準答案，電腦在學習的過程透過對比誤差，一邊修正去達到更精準的預測，這樣的方式讓監督式學習有準確率高的優點。
監督式學習方式需要倚靠大量的事前人工作業，將所有可能的特質標記起來，這過程相當繁複。當範圍擴大、資訊量增加，會更難去對資料標記出所有特徵，所以在面對未知領域時，幾乎是完全無法運作。

2.非監督式學習 (Unsupervised Learning) 的訓練資料不需要事先以人力處理標籤，機器面對資料時，做的處理是依照關聯性去歸類 (Co-occurance Grouping)、找出潛在規則與套路 (Association Rule Discovery)、形成集群 (Clustering)，不對資訊有正確或不正確的判別。
非監督式學習的特性讓它在資料探勘初期是好用的工具。對比監督式學習，非監督式學習可以大大減低繁瑣的人力工作，找出潛在的規則。但這樣的方式，也會造成較多功耗，甚至，也可能造成不具重要性的特徵（Feature) 被過度放大，導致結果偏誤、無意義的分群結果。

3.強化式學習 (Reinforcement Learning) 的特徵是不需給機器任何的資料，讓機器直接從互動中去學習，這是最接近大自然與人類的學習方式。
機器透過環境的正向、負向回饋 (positive / negative reward)，從中自我學習，並逐步形成對回饋 刺激 (stimulus) 的預期，做出越來越有效率達成目標的行動 (action)，這個訓練過程的目標是獲取最大利益。
網路上有個 AI 學習玩 Google 恐龍遊戲的影片，影片揭露 AI 在玩遊戲的過程中學習到：遇到小仙人掌要小小地跳躍 (small jump)，遇到高高的仙人掌，要大跳躍 (big jump)，遇到小鳥飛過要蹲低 (duck)，避免被小鳥撞到，遊戲就結束了。透過一次次的失敗，AI 計算出障礙物的高度、寬度、跟障礙物的距離等，逐步推進跨越種種障礙，不斷延長恐龍存活在遊戲中的時間。這就是強化式 學習的一種展現。

-----------------------------------

11、機器學習一般可分為「監督式學習」和「非監督式學習」，下列何者屬非監式學習？

(A) 學習過程中的資料處理是依照關聯性歸類找出潛在規則，形成集群。---->非監式學習

(B) 從標籤化(labeled)資訊中分析後做出預測的學習方式。---->監督式學習

(C) 學習過程會透過對比的誤差 修正以提高學習準確率。---->監督式學習

(D) 需要大量的事前作業將所有可能的特徵標記 起來。---->監督式學習