前言：
在開始今天的文章之前先幫上一下這張領域關係圖：

機器學習包含了上一篇文章介紹的監督式學習及非監督式學習，其中也包含了一個叫深度學習的項目。
今天的主題就是要跟大家介紹深度學習(Deep Learning)類別下的小分支，那我們就開始今天的文章吧。

深度學習(Deep Learning)
深度學習同屬機器學習之中的一個小分支，涉及的內容包括大腦結構和功能啟發的算法，這些稱為人工神經網路，在深度學習的項目下又有三種子種類的神經網路，分別是：

1.深度神經網路 Deep Neural Networks (DNN)
深度神經網路是前饋網路(Feed Forward Networks)，數據從輸入層流往輸出層，資料不會再後退回去。舉一個比較好理解的例子，廚師會給你關於飯菜的想法，但你再次吃到相同口味的菜跟食材時你的腦袋不會有任何記憶，這就是DNNs的概念，但這跟人腦的運作方式是不一樣的。

2.循環神經網路 Recurrent Neural Network (RNN)
RNNs可以說是改良了的DNNs，具有時間扭曲的特性，訊息會再流通回去，他有內存機制來處理這些序列資料，RNNs可以提供你訊息、以及過去的訊息，這也代表任何你拿來訓練的資料都非常重要。這裡有一個小重點：當訊息隨著時間序列的推移而消失時，他失去的是資料處理的權重，而不是真正的神經元。

3.捲積神經網路 Convolutional Neural Network (CNN)
卷積神經網路是一種最常用來分析視覺圖像的深度神經網路，應用包括影音理解、語音識別，理解自然語言處理，CNN的架構類似於大腦的額葉，負責的工作就是處理視覺感官。

CNN包括了3個小層次

卷積層(Convolutional layer)
處理多數的計算、檢查圖像特徵。

池化層(Pooling layer)
圖像掃描及過濾，與卷積層不同的是降低了許多參數，提高了效率降低了複雜性。

全連接層(Fully connected layer)
根據前幾層處理程序來提取特徵進行圖像分類的地方，層層相扣每一層都有相連節點。

資料來源：
https://machinelearningmastery.com/what-is-deep-learning/
https://medium.com/@sprhlabs/understanding-deep-learning-dnn-rnn-lstm-cnn-and-r-cnn-6602ed94dbff
https://www.techtarget.com/searchenterpriseai/definition/convolutional-neural-network