寫數學講義時，附解答的練習題最好用：做完就能對答案，錯了馬上知道錯在哪，下次就不會再錯。可是如果解答本弄丟了，你還學得到東西嗎？
這個問題，就是機器學習分成好幾種學習方式的原因。初級科目一「人工智慧基礎概論」很愛考這件事：官網公布的 4 份初級科目一試題（114 年第四次、115 年第一次到第三次，共 200 題）裡，有 20 題在考監督式、非監督式、半監督式和強化式學習怎麼分，大約每 10 題就有 1 題。
題目每次都換一個情境，有時是銀行抓洗錢，有時是農場辨識病害。這篇跟著一個問題走：考題換了情境，怎麼判斷它用的是哪一種學習？ 我們從「有沒有解答」出發，一步一步推出四種學習方式。
有解答和沒解答：監督式與非監督式
先看有解答的情況。假設銀行有過去 5 年的交易紀錄，每一筆都已經標好「正常」或「洗錢」。模型看著這些資料，學會「什麼樣的交易對應到什麼答案」，之後遇到新交易，就能判斷它比較像哪一種。
這就是監督式學習：每筆訓練資料都附了答案，這個答案叫做「標籤」。答案是類別（正常／洗錢）時叫分類；答案是一個數字（下一季的稻米產量是幾公噸）時叫迴歸。
那解答本弄丟了呢？你還是可以做一件事：把題目分類。翻一翻講義，你會發現這幾題都在算三角形面積、那幾題都在解方程式，雖然不知道答案，題目自己會分成幾堆。
這就是非監督式學習：資料沒有標籤，模型只能從資料本身找結構，例如把行為相似的會員分成幾群。要注意，分出來的每一群代表什麼意思，模型不會告訴你，要由人來解讀。所以非監督式學習可以把資料分群、找出結構，卻不能在沒有標籤的情況下，準確判斷每一筆屬於哪一個事先定義好的類別。
講義這個比喻有一個地方不像：講義的解答是現成的，真實資料的標籤卻要有人一筆一筆標上去。5 年的交易紀錄，要請專人逐筆確認是不是洗錢，很花時間也很花錢。這一點等一下會很重要。
用一次：同一家公司，兩種資料
現在換一個情境試試看。某電商有兩批會員資料：一批已經標好「這位會員後來有沒有流失」，另一批只有瀏覽、消費和搜尋紀錄，沒有任何結果。這兩批資料各適合哪一種學習？
先別往下看，用上一段學到的規則判斷。
有標好流失結果的那一批，附了答案，適合監督式學習，用來預測新會員會不會流失。只有行為紀錄的那一批，沒有答案，適合非監督式學習，用來找出有哪幾種消費族群。同一家公司可以兩種都用，判斷的依據不是公司或產業，而是那批資料附了什麼。
只有一部分有解答：半監督式學習
回到剛才說「很重要」的那一點：標籤很貴。所以真實世界最常見的情況，其實是只有一小部分資料有標籤。
假設一家食品加工廠收集了 10,000 張水果照片，只有 2,000 張請人標好「正常、碰傷、病斑」，其餘 8,000 張沒有標註。只用 2,000 張訓練，等於把八成的資料丟掉；全部重新請人標，又太貴。
這時用的是半監督式學習：先用有標籤的那一小部分學出分類方式，再從大量沒有標籤的資料裡學習整體的分布，讓模型表現更好。就像講義只有一部分題目附解答，你先把有解答的做熟，再用同樣的方法去推敲其他題目。
這是初級最常見的陷阱之一。題目寫「同時使用少量已標註資料與大量未標註資料」，選項卻說這是監督式學習，那就是錯的。只要「有一部分沒有標籤」，就要想到半監督式。
沒有解答，但做完會得分：強化式學習
還有一種情況，前面三種都套不上。想想你第一次學騎腳踏車：沒有人給你一本「每個瞬間該怎麼轉龍頭」的解答，你只知道騎得穩就繼續、摔倒了就換個方式，慢慢就會了。
這就是強化式學習：沒有標準答案，模型（通常叫做「代理人」）在環境裡做出動作，得到獎勵或懲罰，再依結果調整自己的做法，這套做法叫做策略。物流公司規劃配送路線、自駕車在模擬環境裡學過路口、投資系統依每次交易的盈虧調整買賣，都是官方試題出現過的強化式學習情境。
強化式學習有一個特有的難題，叫做探索與利用的權衡。你每天午餐都去同一家便當店，因為確定好吃，這是利用；偶爾試一家新開的店，可能踩雷，也可能發現更好吃的，這是探索。推薦系統如果只推過去賣得好的商品，就永遠不知道新商品會不會更好賣。
腳踏車的比喻也有不像的地方：摔倒是馬上發生的，真實任務的獎勵常常很晚才來。一條配送路線好不好，可能要整天跑完才知道，模型得自己想辦法判斷，是前面哪一步讓結果變好或變差。
這裡也有一個常見陷阱。監督式學習也會計算「錯了多少」，所以有些選項把「依錯誤造成的損失持續調整策略」說成監督式學習。差別在於：監督式學習知道每一筆的標準答案；強化式學習只知道這次做得好不好，不知道正確的動作是什麼。
四種放在一起：先問資料附了什麼
從講義的解答本一路走到這裡，四種學習方式其實是同一個問題的四種答案：
官方試題常把錯誤藏在選項的搭配裡。整理這 20 題選項中出現過的寫法：
| 選項的寫法（都是錯的） | 錯在哪裡 |
|---|---|
| 少量已標註＋大量未標註，屬於監督式 | 有一部分沒有標籤，是半監督式 |
| 依回饋或損失持續調整策略，屬於監督式 | 只有好壞回饋、沒有標準答案，是強化式 |
| 非監督式能準確判斷每筆屬於哪一類異常 | 沒有標籤只能分群，群的意義要人判斷 |
| 非監督式需要先定義每筆的正確輸出 | 先定義正確輸出就是標籤，那是監督式 |
| 預測連續數值，用準確率評估 | 這是迴歸，常用平均絕對誤差（MAE） |
接到生成式 AI：同一套想法再用一次
這四種學習方式，到了初級科目二「生成式 AI 應用與規劃」還會再出現，只是換了名字。
大型語言模型的預訓練，用的是大量沒有人工標註的文字。做法是把一句話的下一個字遮起來，讓模型猜，猜完再對照原文。答案不是人標的，而是從資料本身來的，所以常被歸為自監督學習。
模型會說話之後，還要讓它的回答更符合人的偏好。做法是請人比較模型的幾個回答、評出哪個比較好，用這些評比訓練一個會打分數的「獎勵模型」，再用強化式學習讓模型朝高分的方向調整。這就是 RLHF（人類回饋強化學習）。你會發現，它正是上一段「沒有標準答案，但做完會得分」的那一種。
所以下次在科目二看到 RLHF，先別被英文縮寫嚇到。問同一個問題就好：這一步的資料附了什麼？
讀完試試看
某醫院有 10,000 張胸腔 X 光片，其中 600 張有醫師標註「有肺炎」或「沒有肺炎」，其餘都沒有標註。醫院另外想讓排班系統依每週護理人員的滿意度回饋，逐步調整排班方式。這兩件事，各適合哪一種學習方式？
想好再往下看。參考答案：X 光片是半監督式學習，因為只有一部分有標籤，可以先用 600 張有標註的學出判斷方式，再用其餘 9,400 張改善模型。排班系統是強化式學習，因為沒有「正確的班表」可以對答案，只有每週的滿意度當作獎勵，系統依獎勵調整排班策略。
本文的試題統計，是作者以程式從官網公布的 4 份初級科目一公告試題（114 年第四次、115 年第一次至第三次，共 200 題）找出提到監督式、非監督式、半監督式或強化式學習的題目，再逐題確認是否在考這幾種學習方式的區分或特徵；表格中的陷阱改寫自這些題目的選項，不是原題。學習方式的範圍依官方 115 年 6 月版評鑑內容範圍（科目一「常見的機器學習模型」）。本文為個人自學整理，非 iPAS 官方教材；正式評鑑範圍與考試規則，請以 AI 應用規劃師官方專區公告為準。