兩種人工智能學習模式

監督式學習主要透過已標示的數據集(labeled dataset)來學習，當輸入新的未標示數據(unlabeled data)時，就能從已標示的數據集所學習得來的訊息作出預測(prediction)，得出結果。

非監督式學習並沒有能從數據集中學習的機會，因其所有數據都是非標示，例如數據是相片(photo image)，相片的影像是人、動物，還是物件？並沒有標示(not tagged with any labels)，即該數據是未標示數據(unlabeled data)，非監督式學習會試用已有並認為適合的AI Model（如Decision Trees，Naïve Bayes，K-Nearest Neighbours等）算法嘗試從非標示數據得出結果，得出的結果通常是將非標示數據分組(Grouping)或族群(Clustering)等，來描述該非標示數據的特質。

例如：一個廣告平台將澳門人口按購買習慣相似度細分成不同細小族群，以便廣告客戶可以通過廣告進入目標市場。

監督式學習將已從標示數據集所學到的訊息用於新數據，從而作出預測(prediction)，而非監督式學習則將非標示數據集描述其特質。

學勤進修教育中心電腦及手機專科導師 周柏堅