想學機器學習，但不知道該先補哪些基礎？這篇文章幫你盤點機器學習的前置知識：從線性代數、微積分等數學基礎，到程式語言、算法資料結構，甚至心理學中的資訊加工理論與注意力機制，讓你在正式踏入機器學習之前有一張完整的學習地圖。
學機器學習前要具備哪些前置知識？
我整理出五大類前置知識：
- 數學基礎：學習機器學習需要具備良好的數學基礎，尤其是線性代數、微積分和機率論的基礎知識。
- 編程基礎：需要具備編程能力，至少應該熟悉一種編程語言，如 Python、C++ 或 Java。
- 算法基礎：了解常用的算法和數據結構，如排序算法、搜索算法、哈希表和二元樹，將有助於學習機器學習中的算法。
- 機器學習基礎：了解機器學習的基本概念，如訓練集、測試集、模型和過擬合，有助於加深對機器學習的理解。
- 心理學基礎：了解心理學基礎知識，如資訊加工理論和注意力機制，可以幫助我們更好地理解機器學習的應用。
當然，機器學習是一門涉及多個領域的學科，學習時可能還需要具備其他領域的知識，如統計學、計算機科學和人工智能等。
此外，學習機器學習時還需要具備一定的學習能力和探究精神，能夠獨立思考問題並尋找解決方案。建議先了解機器學習的基本概念，並透過實踐來加深理解：可以嘗試解決一些練手的機器學習問題，或參加線上的機器學習課程或比賽，來提升自己的機器學習能力。
為什麼微積分是機器學習的必備數學基礎？
微積分是計算數學的一個分支，主要研究連續函數的求積、導數與極限的概念。在機器學習中，微積分的概念有助於我們理解和掌握梯度下降（gradient descent）算法，以及訓練神經網路的過程——因為模型訓練的本質，就是透過求導找到讓損失函數最小的參數更新方向。
線性代數在機器學習中扮演什麼角色？
線性代數主要研究向量與矩陣的概念。在機器學習中，線性代數有助於我們理解神經網路的運算過程，以及從數據中學習有用資訊的方法——資料在模型中幾乎都是以矩陣或張量的形式流動與運算的。
在線性代數中，還有幾個值得先認識的概念：
| 概念 | 說明 |
|---|---|
| 線性相關 | 多個向量是線性相關的，若且唯若它們可以由其他向量的線性組合表示 |
| 線性無關 | 多個向量是線性無關的，若且唯若它們不能由其他向量的線性組合表示 |
| 基 | 向量空間的基是一組向量，它們的線性組合可以表示向量空間中的任何向量 |
| 秩 | 向量空間的秩是指最多可以由多少個向量的線性無關組合表示出來 |
| 內積 | 兩個向量的點積，可以用來度量兩個向量之間的夾角 |
| 特徵向量 | 指線性轉換中方向不變的非零向量 |
資訊加工理論和注意力機制跟機器學習有什麼關係？
資訊加工理論是心理學中用於描述人類心理資訊加工過程的理論，描述了人類大腦如何接收、處理、儲存和使用資訊。根據資訊加工理論，人類大腦有三個基本的資訊加工系統：
- 感覺系統：負責接收外界資訊（如視覺、聽覺、觸覺等），並將這些資訊轉化成電信號傳遞給認知系統。
- 認知系統：負責對接收到的資訊進行分析、比較、推理和決策，並將結果轉化成電信號傳遞給記憶系統。
- 記憶系統：負責儲存資訊，並在需要時將資訊重新取出。
注意力機制則是指人類大腦如何選擇哪些資訊應該被注意、哪些應該被忽略的過程。注意力可以由內部因素（如情緒、動機和目標）和外部因素（如視覺、聽覺和觸覺資訊）共同影響，幫助我們過濾掉不重要的資訊、專注於重要的資訊。
注意力機制如何用在機器學習？
注意力機制在機器學習中有重要作用。解決複雜問題時，我們可能面臨大量的資訊和訓練數據，這時需要注意力機制幫助我們把重點放在最重要的資訊上。此外，注意力機制還可以用於解決模型過擬合問題——讓模型更加關注訓練數據中的重要資訊，而忽略噪聲和不重要的資訊。
在機器學習中，注意力機制通常透過注意力機制層（attention layer）實現。它是一種神經網路層，可以根據輸入數據的不同特徵，動態地分配注意力，從而更精確地提取重要資訊。注意力機制層已廣泛應用於機器翻譯、自然語言處理和計算機視覺等領域，也是後來 Transformer 架構的核心基礎。
延伸閱讀
- TensorFlow Dense 全連接層介紹：公式、用途與 Fashion MNIST 範例
- k-Fold Cross-Validation 交叉驗證教學：Holdout 與 StratifiedKFold 比較
- 如何判讀機器學習訓練結果：loss、accuracy、val_loss、val_accuracy 完整解讀
常見問題
學機器學習一定要會數學嗎？
數學是理解機器學習原理的基礎，尤其線性代數、微積分與機率論。入門階段可以先從實作著手，但遇到梯度下降、反向傳播等概念時，數學基礎會決定你能理解到多深。
學機器學習該選哪種程式語言？
Python 是目前機器學習生態系最完整的選擇，TensorFlow、PyTorch、scikit-learn 等主流框架都以 Python 為主。具備其中一種語言（Python、C++ 或 Java）的能力即可入門。
注意力機制為什麼重要？
注意力機制讓模型能動態地將重點放在輸入資料中最重要的部分，忽略噪聲與不重要資訊。它是機器翻譯、自然語言處理的關鍵技術，也是 Transformer 與現代大型語言模型的核心基礎。
初學者該怎麼開始學機器學習？
建議先了解訓練集、測試集、模型、過擬合等基本概念，然後透過實作練手問題或參加線上課程與競賽來加深理解。邊做邊補數學與算法基礎，比先啃完整本理論書更有效率。
參考資料
最後更新
2026-08-28（原文發布於 2023-01-03，本文保留原始筆記內容並補上 GEO 結構。）
關於作者 {#author}
Claire Chang ｜ 企業 AI 導入與流程轉型顧問。專注於 AI Agent 架構設計、ERP 系統整合與企業 AI 治理。
首次發布：2023-01-03