深度學習、機器學習與人工智慧各有何不同？

深度學習是機器學習技術的分支，透過人工類神經網路來處理及分析資訊。類神經網路由多層的運算節點組成，一層層堆疊在深度學習演算架構中。每層各包含一個輸入層、輸出層和隱藏層。類神經網路會被饋給訓練資料，協助演算法學習並提升準確率。如果類神經網路除了輸入層和輸出層外，還包含多個隱藏層，就屬於深層類神經網路，而這正是深度學習的基礎。

深度學習演算法的設計靈感源自人腦的運作方式，特別擅長分析大量非結構化資料，許多我們現在認定為 AI 的工作都採用這項技術，包括圖像與語音辨識、物件偵測和自然語言處理。深度學習可以在資料集中建立複雜的非線性關係，不過需要的訓練資料和運算資源都比機器學習多。

深度學習常用的幾種類神經網路包括：

• 「前饋類神經網路」(FF) 是最早發明的類神經網路類型之一，資料經過一層層的人工神經元，向輸出層單向傳播。
• 循環類神經網路 (RNN) 與前饋類神經網路不同，差別在於這類神經網路通常會使用時間序列資料或序列相關的資料。循環類神經網路具有上一層的「記憶」，這個記憶會依附在這一層的輸出內容中。
• 長短期記憶 (LSTM) 是進階版 RNN，可利用記憶體「記住」前層發生的事情。
• 「卷積類神經網路」(CNN) 包含現代人工智慧中最常見的幾種類神經網路，使用明確的分層 (卷積層，然後是池化層)，先過濾圖片的不同部分，然後 (在全連接層中) 再將圖片組合在一起。
• 生成對抗網路 (GAN) 涉及兩個類神經網路 (即「生成器」和「鑑別器」)，兩者會相互競爭，最終可提升輸出內容的準確度。

機器學習是人工智慧的分支，不必特別編寫程式碼，就能讓系統自主學習並改進。機器學習演算法透過模式和資料辨識程序，在新資料輸入系統時進行預測。

機器學習通常會使用數種不同的模型，包括：

「監督式學習」是一種使用已標註的訓練資料 (結構化資料)，把特定輸入資料對應至某個輸出結果的機器學習模式。在監督式學習中，輸出結果是已知的 (例如，辨識一張蘋果圖片)，模型是根據已知的輸出結果資料進行訓練。簡單來說，要訓練演算法準確辨識出蘋果圖片，只要餵給它已標記為蘋果的圖片就可以了。

目前最常用的監督式學習演算法包括：

• 線性迴歸
• K-近鄰演算法
• 單純貝氏分類
• 多項式迴歸演算法
• 決策樹

非監督式學習是一種使用未標註的資料 (非結構化資料) 來進行資料模式學習的機器學習模式。與監督式學習不同，非監督式學習的輸出結果無法事先得知。相反地，演算法會在沒有人為輸入內容的情況下從資料中學習　(因此稱為「非監督式」學習)，並根據屬性分類資料。

現今最常用的非監督式學習演算法包括：

• 模糊平均數
• k-means 分群法
• 階層分群法
• 主成分分析法
• 偏最小平方迴歸演算法

一種稱為「半監督式學習」的混合式機器學習方法也常被業界採用，在這種方法中只有部分資料會被標註。在半監督式學習中，演算法必須設法整理及建構資料，才能獲得已知結果。舉例來說，機器學習模型會被告知結果是蘋果，但只有部分訓練資料會被標註為蘋果。

「增強式學習」是一種藉由一連串嘗試錯誤 (trial and error) 的反覆試驗過程來「從做中學」的機器學習模式。「智能體」(agent) 會透過一種回饋循環的過程學習執行指定工作，直至學習成果達到目標範圍為止。代理執行工作時如果表現良好，就會獲得正面回饋，如果表現不佳，則會得到負面回饋。

人工智慧是一個科學領域，著重於打造出可推論、學習及採取行動的電腦和機器，而這些行為通常需要人類智慧判斷，或需處理規模超出人類分析能力的大量資料。人工智慧是一個十分龐大的領域，涉及的學科包括電腦科學、資料與分析、軟體工程，甚至是哲學。

就商業層面而言，人工智慧是可應用於許多領域的一套技術，這些領域包括資料分析、預測、自然語言處理、建議、機器自動化及智慧資料擷取等。

雖然這些詞彙彼此相關，但它們之間有明確的階層關係：深度學習是機器學習的一種專門技術，而機器學習則是人工智慧這個廣泛領域中的核心範疇。三者主要的差異在於功能、複雜度和特徵工程。