17 以下哪一項是非監督式學習的應用
(A) 電子郵件垃圾郵件過濾
(B) 客群分類
(C) 圖像識別
(D) 智能溫控器調節

這是一道關於機器學習類型的經典問題。

• 非監督式學習 (Unsupervised Learning)： 其核心精神是在沒有「標準答案」或「標籤」的資料中，讓演算法自行找出資料內在的結構或模式。

  • (B) 客群分類 (Customer Segmentation)：這就是一個典型的分群 (Clustering) 應用。我們擁有很多顧客的資料（如消費習慣、年齡、地區），但沒有預先標記他們屬於「哪一群」。我們使用非監督式學習來自動將特徵相似的顧客歸類在一起（例如「高價值客群」、「潛在流失客群」），以便進行精準行銷。

• 為什麼其他選項不是？

  • (A) 電子郵件垃圾郵件過濾：這是監督式學習 (Supervised Learning)。模型需要先學習大量被人類標記為「垃圾郵件」或「非垃圾郵件」的樣本，才能學會如何「分類」。

  • (C) 圖像識別：這也是監督式學習 (Supervised Learning)。模型需要學習大量已被標記的圖片（例如，標記為「貓」、「狗」、「汽車」），才能學會在新的圖片中辨識出這些物體。

  • (D) 智能溫控器調節：這通常是強化學習 (Reinforcement Learning) 的應用。溫控器（代理人）透過與環境互動（偵測溫度）並獲得「獎勵」（例如節省電費或達到使用者設定的舒適度），來學習最佳的調節策略。

總結來說，非監督式學習的關鍵字是「分群 (Clustering)」和「降維 (Dimensionality Reduction)」，都是在沒有標籤的資料中尋找結構。