深度學習DL

• 特色:

➋資料處理方面

• 可以同時處理不同型態的資料:非結構化、半結構化、結構化的資料。

➌特徵工程Feature Engineering方面

• 包括兩點:(1)特徵值的選擇:一個模式預測的準確度，主要來自其是否掌握到最能精準預測到結果的特徵值。
  (2)特徵值往上迭代的延伸與組合:可以由底層片段的簡單基礎特徵，不斷往上整合成抽象層次更高，整合程度更高、更有區別立、更接近現實世界的所謂延伸性變數Derived Variable(隱藏特徵Latent Feature)且下一層的output就變成上一層的input不斷迭代往上，來達到用複雜的模式來解釋真實的複雜世界。
  ex.用身高或體重的個別變數來預測高血壓，還不如使用BMI來預測準確

*暗知識Dark Knowledge:極為複雜的特徵值是人類說不出來也不知道其存在甚至看不懂的。

1. 資料的清理:資料缺失值(與目標資料間缺失大於閥值則清除)、異常值清理。
2. 特徵過濾:對原始資料進行一系列特徵工程處理，將每一屬性(欄位)提煉為特徵。

➍訓練優化方面

1. 深度學習需要巨量的訓練資料:DL的訓練模式非常複雜且龐大，內部常常牽涉到數千萬個、上億個節點與參數。
2. 深度學習能夠不斷透過回饋進行自身的優化:透過BP與GD部段往後微調，找到最佳路，自動修正模型以提升模型的準確度。

深度學習優缺點

優點:

1. 可以處理非結構的資料(ex.語音、圖像、文字、影片)
2. 準確度高:特別是在處理非結構性資料相比傳統機器學習準確度更高。(ex.圖像辨識方面、語音辨識方面、語言翻譯方面、語言生成方面)
3. 可移轉性:利用遷移式學習Transfer Learning，使用已經訓練好的相關模型快速移轉處理新的問題。
4. 學習力強:BP、GD利用誤差極小化Error Minimization方式，不斷調整權重、優化、學習來提升準確度。

缺點:

1. 不可解釋性:DL極為複雜，內部牽涉到十幾層，幾億個參數權重。
2. 訓練成本極高
3. 硬體與計算能力需求極大:建置成本極高，包含CPU、GPU、TPU等。

參考來源:人工智慧:概念應用與管理 林東清