（一）機器學習簡介
機器學習是人工智慧的一項核心技術，透過電腦從資料中學習模式與規律，以達到預測或分類等目的。在資訊檢索與推薦系統中，常利用機器學習模型自動分析使用者行為，提供個人化結果。

（二）三種主要學習方法如下：

1. 監督式學習（Supervised Learning）

• 定義：透過標註過的資料（即輸入資料及其正確答案）來訓練模型。

• 應用：常見於分類（如垃圾郵件辨識）與回歸（如價格預測）問題。

• 圖書館應用：可用於訓練分類器，自動將新書分類至正確的主題標籤（subject heading）中，或預測使用者可能感興趣的書籍。

2. 非監督式學習（Unsupervised Learning）

• 定義：使用未標註的資料進行學習，模型需自行找出資料中的結構或群組。

• 應用：如聚類（clustering）與降維（dimensionality reduction）。

• 圖書館應用：可用於對使用者行為進行群體分析（如將讀者分為不同閱讀偏好群組），進而設計分眾行銷策略。

• 總結比較表：

  分類方法	監督式學習	非監督式學習
  資料是否有標籤	✅ 有答案（標記好的資料）	❌ 沒有答案（自己找規律）
  學習目標	預測或分類	找出資料中的規律或分群
  舉例	Email 判斷、房價預測、圖片分類	顧客分群、主題分析、異常偵測

3. 強化學習（Reinforcement Learning）

• 定義：透過「獎勵」與「懲罰」來學習最佳策略，模型從與環境互動的結果中自我修正與學習。

• 應用：常見於遊戲策略、機器人導航等動態決策問題。

• 圖書館應用：可應用於推薦系統中，根據讀者的回饋（如點擊、借閱）動態調整推薦順序與內容，以提升個人化精準度。

（三）結語
機器學習能有效提升圖書館資訊檢索與個人化推薦服務的品質。透過監督、非監督與強化學習三種方法，各自應用於不同場景，幫助圖書館更加智慧化與讀者導向。