監督式學習vs非監督式學習差異在哪？機器學習兩大重點比較！
AI人工智慧已佔據我們生活極大部分，智能管家、點餐機器人等應用透過機器學習，將大量資料加以校正。而監督式學習及非監督式學習則為機器學習中的主要訓練方式，此篇將帶大家認識兩種學習方式的差異、應用，以及未來發展趨勢！
監督式學習是什麼？原來是人工智慧的核心技術！
在AI人工智慧的數據分析技術中，監督式學習是訓練機器學習某種指令的方式之一，也是人工智慧的核心技術。在訓練架構上，機器學習主要分為三大流程：資料清理（Data Cleansing）、資料採礦（Data Mining）、與資料分析（Data Analysis）。
最初蒐集的資料庫中，資料常有數以百計的種類，筆數更超過上萬筆。而同一種類中，資料又會有不同的表達方式，舉例來說，在「生理性別為男」的種類下，會出現男生、男性、男、Male、M...等資料名稱。
用來歸納分類這些名稱的指令，則稱為「資料清理」。在「資料採礦」階段，會依據最終任務需求，針對清理過後的資料進行篩選、整理。最後在「資料分析」階段，演算法會將清洗好的資料加以分析關聯、交叉比對。
簡單來說，機器學習訓練的根本就是蒐集資料和分析，而資料又二分為是否有答案的資料，以此區別出監督式學習和非監督式學習，下一章節即會詳細敘述兩者差別。
監督式學習 vs 非監督式學習 差異比較
監督式學習所需的資料是有固定答案的，如同我們看到照片，一眼便能說出照片中的物品名稱。在監督式學習模式下，辨識後的資料會分成連續資料、離散資料以及分類資料，再以個別定義賦予回歸、分類、預測功能，而線性/邏輯回歸、神經網絡，便是這些功能常用的演算法。
非監督式學習所需資料沒有固定答案，依據相似度進行分類，例如：一堆不知名的黑色物品跟白色物品，會下意識依同顏色做分類。也因為資料答案尚未揭曉，需要用不同預測功能來分類，比如：依照相似度做區分的聚類功能、以日常行為來預測的推薦系統、或是刪減資料相關度低 的降維。常用的演算法則有K平均、主成分分析（PCA）。
| |
有無標籤化 |
功能 |
常用演算法 |
| 監督式學習 |
有
(資料有答案) |
回歸
分類
預測 |
線性/邏輯回歸
神經網絡 |
| 非監督式學習 |
無
(資料無答案) |
聚類
推薦系統
降維 |
K平均
主成分分析(PCA) |
監督式學習應用有哪些？常見應用領域介紹
那麼監督式學習的具體效益有哪些呢？一起來探討日常生活中，這些看似普通的任務，如何運用演算法加強產業結果吧！
氣象觀測
在氣象學中，氣象預報一周天氣、或是颱風天預測颱風走向、雨量等，都是透過連續好幾次已得知的數據，使用「回歸」演算法來推估未來天象，演算法的特性是，當時間越靠近，結果將越準確。
生產製造
工廠製造業的產品數量都相當龐大，適合透過「分類」演算法，利用離散值來將產品分類，快速判斷產品外觀是否有缺陷，大幅降低人工挑錯造成的疏失。
網站購買推薦
越來越受歡迎的電商平台，透過「聚類」的方式，依照網路消費者的購買資訊，將購買方向相似的消費者做分類並加以推薦類似商品，對症下藥更加刺激消費者的購物慾望。
AI技術的未來演變
凡舉教育、醫療、金融、交通等產業，都開始使用了導入語音影像辨識、大數據分析、聊天機器人等技術，帶來許多便利，改變了我們的生活樣貌。
而這些逐漸純熟的技術，搭上日積月累的龐大資料，在短暫幾年內，可能會帶來更進一步的創新突破！例如：自動化企業的流程運作、結合區塊鍊技術解決網路安全問題、或是在醫療領域的救援時間、以及製造業中的機具壽命延長等，都能利用資料蒐集與分析，進一步得到優化改善。
巨匠電腦推出的
人工智慧課程 Python AI，循序漸進地從最基本的資料分類歸納，帶你了解資料種類以及資料該如何使用，再進一步練習回歸、預測、分群等演算法，最後透過日常應用實作讓你學以致用！符合業界的扎實課程，保證讓你收穫滿滿，能夠順應未來潮流，成為搶手的技術人才！
免費學習資源不漏接
