深度學習(Deep Learning)

人的腦內是由好幾百萬個神經元相連而成，而深度學習是模仿人類大腦神經學習的結構，模型的搭建使用一種叫做深度神經網路的多層次模板去進行訓練和學習。
深度神經網路通常分成三層，分別是

1. 輸入層(Input Layer):

神經網路的第一層，負責接收原始資料，每個節點(神經元)分別代表資料的一個屬性。
輸入層的節點數量由資料的特徵數目決定。假設你正在處理圖像，每個像素可以視為一個特徵，那麼輸入層的神經元數量等於圖像的像素數。

2. 隱藏層(Hidden Layer):

介於輸入層與輸出層之間，根據整體模型的結構，可能會有一至多個層數。
隱藏層的每個節點都與前一層（可能是輸入層或其他隱藏層）的所有節點相連，並具有權重(註1)和偏差，用來學習資料中的特徵和模式。
隱藏層在深度神經網絡中充當了特徵組合轉換的角色，使模型能夠從原始資料中學習到更高層次難以觀察的特徵，並且能夠建立複雜的非線性關係。隱藏層的數量和結構通常根據目標需求來調整。

3. 輸出層(Output Layer):

深度神經網絡的最後一層，負責產出模型的輸出結果。
輸出層的節點數量取決於預測目標的性質。假如設定的預測目標是個二元問題 ，例如判斷圖像是貓還是狗，那我的輸出層就會有兩個節點。

註1(權重): 權重是模型的一個參數、係數，權重會和各節點的特徵相乘，也就是調節每個神經元的輸入，代表著特徵的重要性和貢獻，節點間會以權重線相連。

圖片來源: 連結

深度學習與機器學習、人工智慧的關係

機器學習就是人工智慧的一個分支，而深度學習是機器學習的一個分支。
這些概念隨著時間的推移被相繼提出，隨著硬體運算能力日漸增強的情況下，人們也就開始研究人工智慧的實踐，便提出的機器學習的概念。
機器學習的概念雖然是一大進步，但卻無法真正實踐出理想的人工智慧，因此過了一段時間後，便有了以神經網路為基礎的深度學習，至今仍在發展，在許多領域上都有了新的成就。

圖片來源: 連結