機器學習的介紹

一、機器學習架構

機器學習（Mchine Learning）通過演算法，使用歷史資料進行訓練，訓練完成後會產生模型。未來當有新的資料提供時，我們可以使用訓練產生的模型進行預測。

• Feature:資料的特徵，例如溼度，風向，風速季節，氣壓。
• Lable: 資料的標籤，也就是我們希望預測的目標，例如降雨（0.不會下雨，1.會下雨），天氣（1.晴朗，2.雨天，3.陰天，4.下雪）
• 訓練階段（Training）

1. 訓練資料是過去積累的歷史資料，可能是文字檔案，資料庫或者其他來源。經過FeatureExtraction(特徵提取)，產生Feature(資料特徵)與Label(預測目標)，然後經過機器學習演算法的訓練後產生模型。

• 預測階段

1. 新輸入資料，經過Feature Extraction(特徵提取)產生Feature(資料特徵)，使用訓練完成的模型進行預測，最後產生預測結果。

機器學習分類

對於有監督的學習（Supervised Learning）,從現有資料我們希望預測的答案有