機器學習（Machine Learning）是透過既有資料的大量投入，使機器透過分析理解運行規則並形成演算法，最終在新資料或新問題出現時可如同人類般自主作成判斷的技術。本期主要講述內容為機器學習中的監督式學習（Supervised Learning），從基礎概念及定理開始，說明多種資料探勘及資料分析方法，例如單純貝氏分類器、K-近鄰演算法、ID3決策樹演算法、多元決策樹…等演算法的原理、實例及優缺，以及透過不同基礎分類器模型組合所提出的整合學習（Ensemble Learning）。