使用完 OCR 來快速實作手寫數字辨識系統後，我們知道手寫數字辨識系統在做什麼了－輸入圖後引用套件來達到預測數字結果的目的。然而若預測的數字結果不對，要怎麼修改呢？以及昨天提到 OCR 是基於神經網路與 pattern 比對的文字識別，神經網路跟 pattern 比對又是怎麼做到圖片轉文字的(模型架構長怎樣)？在探討這些問題前，首先要先知道什麼是機器學習跟深度學習。

機器學習(Machine Learning)

圖片來源：李宏毅老師機器學習課程[註1]

我們在 Day2 講到，機器學習就是一個手段方法，深度學習是機器學習其中一個方法，為了達到人工智慧的目標。

若從技術處理的角度來看，機器學習的過程就是在找一個函式(function)[註2]，讓機器有能力根據我們提供的資料，找到我們想要的結果。這邊引用李宏毅老師在機器學習這門課中圖片中所舉的幾個例子[註1]，譬如說當我們想要讓機器做語音辨識時，我們會輸入一段聲音訊號，期待機器能找到函式，並把這段聲音的內容寫出。

圖片來源：李宏毅老師機器學習課程[註1]

深度學習(Deep Learning)

人類在是透過神經系統傳遞訊息，而神經元是它的基本單位，我們想讓機器模擬人類大腦的思考運作方式，所以我們用數學式造出了「人造神經元」(下圖紅圈圈)，當我們輸入「各種情況因素」時，能輸出判斷出我想要的「結果」

圖片來源：李宏毅老師機器學習課程[註1]

我們把這些「人造神經元」連起來變成一個神經網路(Neural Network)，而通常提到深度學習這個詞時，我們指的就是深度神經網路(Deep Neural Network)－這種具有一層或多層的神經網路模式。

現在我們可以先不用知道裡面的細節，我們先知道神經網路是由神經元所組成。在程式實作方面有 Keras 套件，可以像堆積木的方式(如下圖橘框)新增一層一層神經網路功能，最後堆出一個神經網路模型，然後做出各種應用。

圖片來源:
https://github.com/microsoft/CNTK/blob/master/Tutorials/CNTK_103C_MNIST_MultiLayerPerceptron.ipynb

簡單了解機器學習與深度學習的概念後，明天先來聊機器學習會學哪些方法，也就是機器學習都在學習哪些東西，讓自己對機器學習更加熟悉後，再來進入手寫數字辨識系統實作。

[註1] 李宏毅老師的 機器學習課程(2017)
[註2] 因為是找一個函式(function)，這邊可以了解一下函式的定義跟函數圖等，如同樣的輸入絕對不會有不一樣的輸出。
[註3] 若對人造神經元有興趣的人，可以看一下這篇文章：
〔程式教學〕開始深度學習之前，先了解什麼是「感知器」(Perceptron)