在前幾天，我們介紹了 Decision Tree（決策樹） 和 Naive Bayes（貝氏分類器） 等傳統的機器學習模型（Machine Learning Models）。
這類模型主要是透過人工建立的特徵以及演算法來學習資料的內容，有時候還需要人工介入來調整錯誤或改善效果。

但隨著資料量愈來愈龐大、任務愈來愈複雜，我們需要更有「自我學習能力」的模型，也就是今天要進入的 —— 深度學習模型（Deep Learning Models）。

深度學習模型運用更複雜、模仿人類大腦結構的神經網路（Neural Network）來進行學習，能夠自動從大量資料中提取特徵、找出模式，不太需要我們人工去干預。

接下來我們就來認識一下「深度學習」！（為接下來幾天的主題鋪路😏）

深度學習是什麼

• 深度學習利用大量的資料與多層的 神經網路（Neural Network） ，自動學習出資料中的特徵與規律
• 我們不再需要手動設計特徵或定義規則，因為模型本身就能透過層層的運算，自動抽取資訊並進行判斷
• 簡單來說，機器學習是讓電腦學會我們設計出的規則，但是深度學習是讓電腦自己找出規則

神經網路（Neural Network）

• 神經網路（Neural Network）為深度學習的核心
• 神經網路是一種受人類大腦神經系統啟發設計的人工智慧（Artificial Intelligence）計算模型
• 它由大量類似「神經元（Neuron）」的節點組成，這些節點通過層狀結構相互連接
• 神經網路的目的是透過這些節點之間的互動，學習、分析並預測數據

結構

神經網路的結構通常包含：

1. 輸入層（Input Layer）：接收資料（例如圖片像素、文字向量）
2. 隱藏層（Hidden Layers）：進行多層次的特徵抽取與轉換
3. 輸出層（Output Layer）：產出預測結果（例如分類標籤）

• 輸入層、隱藏層和輸出層，每個節點會對輸入資料進行處理，並將資料傳遞到下一層
• 這種架構能讓神經網路自行從大量資料中學習和抓取特徵，進而進行分類、預測等任務

深度學習常見架構、模型

根據任務類型的不同，深度學習模型發展出了許多不同的架構：

• CNN（Convolutional Neural Network）：擅長處理影像、視覺資料（visual）
• RNN（Recurrent Neural Network）：專門處理序列資料（如文字、語音）
• Encoder–Decoder 架構：用於「輸入一個序列、輸出另一個序列」的任務（例如：翻譯）
• Transformer：基於「注意力機制（Attention）」的現代架構，是目前 NLP 與生成式 AI 的核心

小結

深度學習當中的神經網路模擬人腦神經元的運作原理，是目前人工智慧和深度學習技術的核心基礎，並且它推動了像 ChatGPT 這樣的大型語言模型及其他AI應用的發展。

後面幾天我將會來介紹像是 RNN、The Transformer 這些跟深度學習有關的模型架構，敬請期待～～～

Reference 1
Reference 2
Reference 3
Reference 4