45.下列何種種類的學習不是機器學習？
(A)強化式學習
(B)非強化式學習
(C)監督式學習
(D)非監督式學習

1. 監督式學習（Supervised learning）：所有資料都被「標註」(label)，告訴機器相對應的值，以提供機器學習在輸出時判斷誤差使用。這種方法為人工分類，對電腦來說最簡單，對人類來說最辛苦。這種方法像是告訴機器（電腦）標準答案，正式考試的時候機器依照標準答案作答，正確性會比較高。例如，若要訓練機器區分大象和長頸鹿，則提供機器 100 張大象和長頸鹿的照片。機器依照標註的照片去偵測大象和長頸鹿的特徵，依照特徵就能辨識出大象和長頸鹿並進行預測。
2. 非監督式學習（Un-supervised learning）：所有資料都沒有標註，機器透過尋找資料的特徵，自己進行分類。此種方法不用人工進行分類，對人類來說最簡單，但對電腦來說最辛苦，誤差較大。若使用非監督式學習辨識大象及長頸鹿，機器得自行判斷提供的 100 張照片裡有哪些特徵的是大象、哪些特徵的是長頸鹿並同時進行分類。在未來預測時，利用機器自行所分類的特徵去辨識是哪一種動物。但機器所辨識的結果不一定正確。
3. 半監督式學習（Semi-supervised learning）：對少部分資料進行「標註」，電腦只要透過有標註的資料找出特徵並對其它的資料進行分類。這種方法可以讓預測時比較精準，是目前最常用的一種方式。若有 100 張照片，則標註其中 10 張哪些是大象哪些是長頸鹿。機器透過這 10 張照片的特徵去辨識及分類剩餘的照片。因為已經有辨識的依據，所以預測出來的結果通常比非監督式學習準確。
4. 強化式學習（Reinforcement learning）：機器透過每一次與環境互動來學習，以取得最大化的預期利益。運用強化式學習的方式，我們不標註任何資料，但告訴它所採取的哪一步是正確、那一步是錯誤的，根據反饋的好壞，機器自行逐步修正、最終得到正確的結果。能使非監督式學習達成一定程度的正確性，就不能缺少強化式學習的方式。若機器自行辨識特徵與分類，將某張大象的照片預測成長頸鹿，則人類給予錯誤的訊息。機器會再次辨認特徵及分類。透過一次一次正確與錯誤的學習，最後的預測就會越來越精準。

強化學習是機器學習(Machine learning)的一種，指的是電腦透過與一個動態(dynamic)環境不斷重複地互動，來學習正確地執行一項任務

(A)強化式學習
(B)非強化式學習--半監督式學習
(C)監督式學習
(D)非監督式學習

2021年版 金融科技力 p.102