機器學習是什麼？core concepts與development environmentinstall
當你聽到「機器學習」這四個字，腦中浮現 是不是密密麻麻 數學公式、戴著眼鏡 資料科學家、以及昂貴 GPU 伺服器？
事實上，機器學習 core concepts非常簡單。讓我們用a生活化 例子來理解。
用買房來理解機器學習
想像你是a第一次買房 人，你走進房仲公司，房仲問你：「請問您想找什麼樣 房子？」
你可能會這麼回答：
- 「我希望室內坪數大約 30 坪以上」
- 「預算大概 1500 萬左右」
- 「希望走路到捷運站不要超過 10 分鐘」
- 「屋齡不要太老，15 年以內」
房仲聽了你 描述後，在腦中快速回想過去成交 案子，然後跟你說：「我手上剛好有三間符合您需求 房子！」
恭喜你，你剛剛親身經歷了一次機器學習 完整流程！
讓我們把這個場景對應到機器學習 術語：
| 買房場景 | 機器學習術語 | |---------|------------| | 你過去看過 房子資料 | 訓練資料 (Training Data) | | 坪數、價格、捷運距離、屋齡 | 特徵 (Features) | | 你最終買了哪間 | 標籤 (Label) | | 房仲腦中 配對邏輯 | 模型 (Model) | | 你說出需求 | 預測 (Prediction) |
機器學習 本質就是：從過去 資料中找出規律，然後用這個規律來預測新 資料。
機器學習 three類型
all 機器學習問題，都可以歸類為以下三種：
1. 監督式學習 (Supervised Learning)
這是最常見也最實用 機器學習類型。它 概念是：你給computers一堆「有答案 題目」，讓它學會作答，然後拿「沒答案 題目」來考它。
迴歸 (Regression)：預測a連續數值
- 房價預測（輸出：1200 萬）
- 明天氣溫預測（輸出：28.5°C）
- 下個月營業額預測（輸出：$350,000）
分類 (Classification)：預測a類別
- 這封 Email 是垃圾郵件嗎？（輸出：是／否）
- 這筆交易是詐騙嗎？（輸出：正常／可疑／詐騙）
- 這張照片是貓還是狗？（輸出：貓／狗）
2. 非監督式學習 (Unsupervised Learning)
你給computers一堆「沒有答案 資料」，讓它自己找出其中 「群組」或「模式」。
- 客戶分群：根據消費行為，把客戶分成「高價值 VIP」、「一般客戶」、「休眠客戶」
- 異常檢測：自動找出與眾不同 資料點（例如信用卡盜刷）
3. 強化學習 (Reinforcement Learning)
讓computers像玩遊戲一樣，透過「嘗試 → 獎勵／處罰」 方式自己學會最佳策略。
- AlphaGo：擊敗世界棋王 圍棋 AI
- 自駕車：在模擬環境中學會開車
機器學習 標準開發流程
不管你用什麼演算法，機器學習專案通常遵循以下六個步驟：
1. 定義問題 → 2. 收集資料 → 3. 資料清洗與特徵工程
↓
4. 選擇演算法並訓練模型
↓
5. 評估模型
↓
6. 部署與預測
- 步驟 1：你要預測什麼？（房價？點擊率？流失機率？）
- 步驟 2：收集相關 歷史資料（從database、CSV、API 等）
- 步驟 3：處理缺失值、移除異常值、轉換資料格式（最耗時 步驟！）
- 步驟 4：選擇適合 演算法，用訓練資料來「訓練」模型
- 步驟 5：用測試資料評估模型準確率
- 步驟 6：將模型包裝成 API，整合到你 應用中
install Python 機器學習環境
我們將使用 Anaconda（或 Miniconda）來managed Python 環境，這是最簡單 方式。
install Miniconda（輕量級，推薦）
# macOS (Intel / Apple Silicon)
brew install miniconda
# 或者手動下載
# https://docs.conda.io/en/latest/miniconda.html
建立專屬環境
# 建立一個名為 ml-course 的 Python 環境
conda create -n ml-course python=3.11
# 啟動環境
conda activate ml-course
# 安裝所需的套件
pip install pandas numpy matplotlib seaborn scikit-learn jupyter joblib
確認install
打開 Python 直譯器，輸入以下指令確認每個套件都能正常載入：
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import sklearn
print(f"Pandas version: {pd.__version__}")
print(f"NumPy version: {np.__version__}")
print(f"Scikit-Learn version: {sklearn.__version__}")
如果每個套件都能正常載入，你 機器學習環境就準備完成了！
本日總結
在本章中，你學到了：
- ✅ 機器學習 本質：從資料中找出規律，用來預測新資料
- ✅ three類型：監督式學習（迴歸／分類）、非監督式學習、強化學習
- ✅ 標準開發流程：從定義問題到部署模型 六個步驟
- ✅ development environmentinstall：使用 Miniconda 建立 Python 機器學習環境
下一章，我們將實際取得一份真實 資料集，並用 Pandas 進行資料清洗與探索！