前言

前幾天將一些簡單的機器學習方法及實作完成了，接著我們將開始新的篇章深度學習，讓我們繼續往下更深入的了解人工智慧的奧秘吧！

什麼是深度學習

那甚麼是深度學習哩？他跟機器學習有甚麼關係？其實很簡單，人工智慧、機器學習、深度學習這三者的關係可以參考下面這張圖。

可以看到，深度學習其實是機器學習中的一個集合，是實現人工智慧 (AI) 的一種方法，可以讓電腦以受人腦啟發的方式來處理資料。深度學習模型可識別圖片、文字、聲音和其他資料的複雜模式，藉此產生更準確的洞察和預測。而之所以叫做深度學習，是因為它通常包含了多層神經網絡。

深度學習如何運作

深度學習模型其實就是模仿人類大腦的神經網路來運作的，目的是持續從數據中進行學習。這個過程透過「人工神經網路」進行，這種網路的設計靈感來自於大腦中的神經元連接，能夠捕捉和理解數據中更加複雜和深層的模式。這使得深度學習模型比傳統的機器學習模型更強大，特別是在處理大量複雜數據時表現得更好。

深度學習模型依賴於多層神經網路，這些網路通常包含輸入層、隱藏層（可以有多個）、和輸出層。每一層的神經元通過權重和激活函數進行連接和計算，逐層提取數據的高階特徵，是不是看了還是看不懂這是什麼呢?不用擔心，明天開始會一步一步帶大家更加深入了解。

跟機器學習有甚麼差異

那究竟深度學習跟機器學習之間有甚麼差異？首先最基本的當然就是上面提到的，深度學習是機器學習上的一個分支，而深度學習是以「層」的概念來建構演算法。

• 模型結構
  • 機器學習：通常包括多種演算法，例如之前提到的線性回歸、決策樹、支持向量機（SVM）和k近鄰演算法等。這些演算法通常依賴於特徵工程，也就是需要人工設計特徵來提高模型表現。
  • 深度學習：基於神經網路，特別是深度神經網路（DNN）。深度學習模型能夠自動從原始數據中提取特徵，減少了特徵工程的需求。
• 特徵提取
  • 機器學習：依賴於人工設計特徵，這需要專家知識和經驗。特徵提取過程通常是獨立於模型訓練的。
  • 深度學習：自動進行特徵提取。多層隱藏層可以逐層提取更高層次的抽象特徵。
• 計算資源
  • 機器學習：通常需要較少的計算資源。許多傳統的機器學習算法可以在普通的計算機上快速運行。
  • 深度學習：需要大量的計算資源，特別是GPU來加速計算，因為訓練深層神經網絡需要進行大量的矩陣運算。
• 應用領域
  • 機器學習：廣泛應用於分類、回歸、聚類和降維等任務。
  • 深度學習：特別擅長於處理高維數據和非結構化數據，如圖像、語音和自然語言處理。深度學習在圖像識別、語音識別和自然語言處理等領域取得了顯著的成功。

深度學習模型

在深度學習有幾個常見的模型，在之後幾天我再詳細的介紹這幾個模型，並在最後幾天來用實作來完成。

• 卷積神經網路（Convolutional Neural Networks, CNN）

  • CNN主要用於圖像處理和計算機視覺任務。它通過卷積層、池化層和全連接層來提取圖像中的空間特徵。典型應用包括圖像分類、物體檢測和圖像分割。

• 循環神經網路（Recurrent Neural Networks, RNN）

  • RNN適用於處理序列數據，如時間序列和自然語言。它具有內部記憶能力，可以記住先前的輸入。常見變種包括長短期記憶網路（LSTM）和門控循環單元（GRU），它們能夠更好地解決長期依賴問題。

• 生成對抗網路（Generative Adversarial Networks, GAN）

  • GAN由兩個網路組成：生成器（Generator）和判別器（Discriminator）。生成器試圖生成逼真的數據，而判別器則試圖區分生成數據和真實數據。兩者之間的對抗學習促使生成器生成越來越真實的數據。

結語

今天跟機器學習的入門一樣提到了很多深度學習的概念，在未來幾天我會補充這些提到的模型，像是CNN、RNN，並搭配實作來讓大家明白深度學習的概念。