深度學習是什麼？深度學習與機器學習差異分享！

生成式 AI 的原理是基於我們餵入龐大的數據集、複雜演算法進行學習。而這些演算法，我們可以稱之為生成式 AI 的核心技術。今天就來淺談其中一項 AI 核心技術－深度學習，幫你打好深度學習理論基礎！

深度學習是什麼？深度學習英文叫做 Deep Learning，是一種機器學習（Machine Learning, ML）的技術。

那機器學習又是什麼？機器學習是人工智慧的其中一個範疇，透過訓練演算法來分析數據並學習模式，進而做出決策。然而，機器學習並不是萬能的，當數據與情況更複雜、層次更多元時，機器學習可能會無法有效運作，因此衍生出了「深度學習」！

深度學習簡單來說是以模仿人類大腦的神經網路，讓機器進行學習。

人們希望機器能像人腦一樣透過神經元的連結展現智慧，於是發展出了類神經網路（Neural Network），後來進一步演變為深度學習（Deep Learning）。

深度學習的核心是神經網路，透過模仿人腦的類神經網路，利用多層結構來處理信息，這些層被稱為「隱藏層」。資料從輸入層開始，通過多個隱藏層進行分析和處理，最終在輸出層生成結果。這樣的多層處理讓深度學習能夠處理更複雜的任務，例如圖像識別、語音識別等。

大語言模型 （LLM）就是一種基於深度學習技術的自然語言處理模型。深度學習模型構建出多層深度神經網路，每一層神經網路負責學習不同的數據特徵，也因此 LLM 能夠分辨出更複雜、更準確的資訊。

深度學習是讓 AI 領域有爆發性成長的一大關鍵技術！

🔺深度學習優點 4 大優點

• 深度學習優點 1 - 有效處理非結構化資料：

深度學習擅長處理非結構化的資料（例如圖片、音訊、文本），這些資料無法像結構化資料一樣輕鬆存放在表格中。透過深度學習，系統可以有效地從非結構化資料中提取出有意義的特徵，例如辨識圖像中的物體或分析自然語言！

• 深度學習優點 2 - 找出隱藏的關係和模式：

深度學習透過多層神經網路結構，能夠在大量數據中發現隱藏的模式和關聯，這些隱藏的關係通常很難用人工識別出來，尤其當資料數據非常龐大時。

• 深度學習優點 3 - 非監督式學習：

深度學習能進行非監督式學習，這意味著模型可以從大量沒有標準答案、未標籤與非結構化的資料中，提取出有價值的內容進行分析與學習。這在現代 AI 中非常有用，因為手動將數據貼標非常耗時且成本過高。

• 深度學習優點 4 - 動態資料處理：

深度學習能夠處理動態資料，例如時間序列、實時資料流等。這表示它可以應用在各種需要即時反應的情境，例如自動駕駛、金融市場預測等，系統可以持續學習和適應最新的數據，以達到更精確的預測和決策！

當我們談到生成式 AI、深度學習原理時，神經網路（Neural Network）是不可不談的核心概念之一，指模仿人類大腦中的神經元結構，來模擬大腦的學習與決策過程。

🔺深度學習架構

神經網路（Neural Network）是深度學習的核心，由人造神經元組成，是整個網路系統的最小單位，分為輸入層、隱藏層和輸出層：

• 輸入層 ➤ 負責接收外界的資料，如圖像或語音信號。
• 隱藏層 ➤ 進行深度數據處理，是神經網路的「運算核心」，能夠識別更複雜的模式。
• 輸出層 ➤ 將處理結果傳遞到外部，輸出最終預測或決策。

📍 舉例 ➤ 圖片識別

當你向系統輸入一張圖片（例如一隻貓的照片），圖片會被傳送到神經網路的輸入層；接著，隱藏層會進行多層次的處理，提取圖像中的關鍵特徵（如耳朵形狀、毛髮紋理、眼睛大小等），每一層隱藏層會進一步分析圖像；最終，輸出層會根據處理的結果做出預測，確認這是一隻貓。

深度學習（Deep Learning）作為機器學習的進階版，進一步擴展了簡單神經網路的能力。在簡單神經網路中通常只有一個隱藏層，而深度學習則擁有更多的隱藏層（可能可以有數十、數百個），這些層次讓神經網路可以進行更複雜的數據處理，分辨出更複雜、更準確的資訊！

讓我們從生物學的角度來理解：單細胞生物本身的機能通常只能維持最基本的生命活動，但當多個細胞組成多細胞生物時，就會誕生更複雜的生物形態，甚至演化出有智慧的人類！

看到現在，可能很多人會產生疑惑：「AI、機器學習、深度學習 3 者的差別到底是什麼？」如果各用 1 句話來形容 AI 人工智慧、機器學習、深度學習差異：

• 人工智慧（Artificial Intelligence）：目的是讓機器具備類似人類的智慧
• 機器學習（Machine Learning）：從大量資料與數據中找出規則，實現預測和做決策
• 深度學習（Deep Learning）：機器學習的其中一種方法，模仿人類大腦的神經網路去分析數據資料

再講詳細一點的話：

機器學習透過演算法來解析數據，從中提取訊息，並基於所學到的知識做出合理的決策；深度學習則是將演算法以「層級」的方式構建，形成能自主學習並作出精確判斷的「類神經網路」。

總結來說，人工智慧、深度學習、機器學習 3 者可以用集合關係來說明，深度學習包含在機器學習之中，而機器學習又包含在人工智慧當中！

卷積神經網路（Convolutional neural network）主要應用於圖像處理，模仿人類視覺系統的運作。它使用「卷積層」提取圖像中的局部特徵，再利用「池化層」進行降維處理，保留關鍵資訊。

CNN 深度學習尤其擅長處理圖像分類、物體檢測等任務，如在醫療影像中的腫瘤檢測、面部識別等應用中發揮重要作用。

遞迴神經網路（Recurrent neural network ,RNN）適合處理序列數據，RNN 的特點在於它的「記憶」功能，能夠保留和處理前後相關的輸入信息。

RNN 深度學習常被應用在字幕翻譯、語音識別、自然語言處理、時間序列預測等領域，例如語音助理的語音轉文字系統。

長短期記憶網路（Long Short-Term Memory ,LSTM）是 RNN 的進階版本，LSTM 會通過特殊的單元結構，長時間保留重要訊息，同時丟棄不必要的數據（簡單來說就是能夠保存長期記憶）。

LSTM 深度學習經常被應用於語音辨識、時間序列預測和音樂生成等場合，尤其適合需要培養長期記憶的應用場景，例如個人專屬的語音助手、翻譯等。

GAN 生成對抗網路（Generative Adversarial Network）由生成器和鑑別器兩個部分組成，用來創建類似於訓練數據的新資料實例。生成器生成新的數據，而鑑別器則判斷這些數據的真實性。這兩者之間不斷「對抗」，以達到生成逼真數據的目的。

GAN 最常見的應用是圖像生成，例如生成真實感極強的面部照片、合成音訊以及生成動畫影片等。

Transformer 深度學習在自然語言處理（NLP）領域表現尤為出色，它會透過「自注意力機制」來平行處理數據，而非依賴序列順序，從而大大提升處理效率。

Transformer 模型尤其適合翻譯、文本生成等需要理解上下文的任務，是目前許多 NLP 模型（例如 GPT 系列）的基礎。

參考資料：Microsoft《什麼是深度學習？》、Wikipadia 深度學習

深度學習目前已經被應用在許多領域中，下面跟你分享幾個深度學習範例，看看生活中有哪些事情是由深度學習所完成的！

📍 影像辨識 深度學習

深度學習在醫療和語音處理領域的應用非常廣泛，像是深度學習的影像辨識功能，在癌症檢測等醫學診斷中就發揮了重要作用。深度學習可以通過分析醫學影像自動檢測癌症等疾病，幫助醫生及時診斷並提高治療效率。

例如，通過 CT 掃描影像，深度學習演算法能夠快速識別腫瘤、病灶等微小異常，減少人為誤差，提高診斷的精確度。

另一個例子是我們更熟悉的 Facebook，Facebook 透過深度學習訓練出強大的演算法，能夠在我們上傳相片時，搶先替我們辨識出相片上的人物是誰，自動協助 tag 好友。

📍 語音辨識 深度學習

語音辨識技術也是深度學習的重要應用之一。深度學習能夠將語音訊號轉換為文字，並應用在語音助手、語音轉文字等系統中。

語音辨識技術被廣泛應用於語音指令控制、自動客服系統和智能家居設備。例如，Apple 的 Siri、Google Assistant 和 Amazon Alexa 都是基於深度學習的語音辨識技術，讓用戶可以通過語音直接與設備進行對話互動。

📍 數位助理 深度學習

數位助理是深度學習應用中最常見的例子之一。

借助自然語言處理（NLP）技術，像 Siri、Cortana、Google Assistant 和 Alexa 等數位助理，不僅能回答問題，還能根據使用者的習慣進行個性化調整與回應。

Google 的 AlphaGo 是深度學習的最佳例子。AlphaGo 是一個專門用來下圍棋的人工智慧系統，圍棋是一種極其複雜的遊戲，變化無窮，傳統 AI 方法難以有效處理，AlphaGo 則通過深度神經網路與強化學習的結合，能夠自主學習、進行策略決策。

2016 年，AlphaGo 與世界圍棋冠軍李世乭進行了五場比賽，並以 4 比 1 的成績勝出，震驚全球。這一成果展示了深度學習的強大潛力，表明 AI 不僅能處理簡單的規則任務，還能勝任複雜的策略性任務。

看完本文後，如果你還想知道更多關於深度學習的相關知識與應用，歡迎參考以下深度學習相關的書籍與課程！

1️⃣ Python 深度學習教學課程

台大資訊系統訓練班是台大資工系開設的付費課程（提供線下與線上），你可以在裡面找到許多與機器學習、深度學習、Python 開發等等的相關課程！

• 與 ChatGPT 並肩：Python 實務應用的互動式學習［專題線上課程］

2️⃣ NVIDIA 深度學習教學課程

NVIDIA 的深度學習付費課程，會透過電腦視覺和自然語言處理方面的實作練習，帶你了解深度學習的運作方式。從零開始訓練深度學習模型、學習工具和技巧，也會學習如何運用免費提供的頂尖預先訓練模型！

• 深度學習基礎理論與實踐

3️⃣ 台大電機 李宏毅老師線上課程（免費！）

李宏毅教授（號稱華文圈的吳恩達）的課程淺顯易懂，講課風格也很有趣，善用各種舉例讓學生更理解內容，非常適合入門者！

• 李宏毅教授 YouTube 頻道

你也可以參考相關書籍，例如《Deep Learning｜用 Python 進行深度學習的基礎理論實作》、《深度學習技術解密》、《跟 NVIDIA 學深度學習》等，或是參考相關專業人士撰寫的部落格文章，按照自己的喜好與步調探索深度學習！

以上就是深度學習的介紹，如果您想要了解更多 Solwen AI 資訊，或者想要免費諮詢 AI 導入評估，都可以透過下方藍色按鈕與 Solwen AI 團隊聯繫！