我們機器學習的部分還有 XGBoost、PCA、OneClass SVM 都還沒有談，只是篇幅限制，原本規劃深度學習大概就要花 15 篇左右的內容來談談，如果後續有篇幅我再補充。

從這篇開始，系列會進入另一個階段: 深度學習 (Deep Learning)。這部分的內容將與前 16 天有明顯不同，因為重點不再是數學公式與演算法推導，而是各種網路架構 (Architectures) 的原理、設計思維與應用。

機器學習 vs. 深度學習

• 機器學習 (Machine Learning)
  • 特徵工程往往是關鍵: 要先設計、轉換、挑選特徵，才能把問題丟給模型學習
  • 模型通常較淺，例如: 決策樹、SVM、線性回歸
  • 適合中小型資料集，計算需求相對低
  • 優點: 可解釋性高、對資料量需求不大
• 深度學習 (Deep Learning)
  • 以多層神經網路為核心，能自動從原始資料中學習特徵
  • 不再依賴繁重的人工特徵設計，例如圖像處理不需要先抽 SIFT/HOG，網路會自己學
  • 特別適合高維度、非結構化資料 (圖像、語音、文字)
  • 需要大量資料與算力支撐，否則容易過擬合

一句話總結: 機器學習的「重點」在於 人設計特徵 → 模型學習規則；深度學習則是 模型自己學特徵 + 規則。

為什麼需要深度學習？

• 處理高維與非結構化資料
  • 傳統 ML 模型處理數值表格非常好用，但面對影像像素矩陣、語音頻譜、自然語言文字序列就顯得力不從心。
  • 深度學習的 CNN、RNN、Transformer 等架構正好能捕捉這些資料的內在結構。
• 表達能力強大
  • 理論上，一個足夠深的神經網路能近似任何函數 (Universal Approximation Theorem)。
  • 在實務上，這意味著深度學習能擬合遠比傳統演算法更複雜的非線性關係。
• 自動化特徵抽取
  • 從手動設計特徵到「端到端」學習，深度學習大幅降低了人工干預，提升了跨領域可遷移性。

深度學習的挑戰

• 資料需求: 需要大量標註資料，否則效果有限
• 計算需求: 需要 GPU/TPU 等硬體加速
• 可解釋性低: 模型往往是「黑盒子」，難以直接解釋決策依據
• 訓練難度: 需要調整大量超參數 (學習率、層數、激活函數、正則化方法等)

結語

深度學習並不是「更高級的機器學習」，而是一種 不同思維：它將特徵學習與規則學習合而為一，讓模型能直接面對複雜且原始的資料。這篇文章作為深度學習的起手式，主要幫助讀者建立心態轉換：從「演算法」的框架，轉向「架構」的世界。

接下來，我會先介紹最基礎的人工神經網路，再逐步進入深度學習的各種變體與應用場景。