什麼是深度學習？
深度學習是機器學習技術的一種，指的是使用人工類神經網路從資料中學習，與人類的學習方式類似。人工類神經網路受人類大腦運作方式啟發，可用於解決圖片辨識、自然語言處理和語音辨識等各式各樣的問題。
新客戶最多可獲得價值 $300 美元的免費抵免額，盡情體驗 Vertex AI 和其他 Google Cloud 產品。
深度學習演算法
深度學習演算法通常是以大型資料集中加上標籤的資料訓練而成。演算法會學習為資料中的特徵與正確的標籤建立關聯。舉例來說，在圖片辨識工作中，演算法可能會學習將圖片中的特定特徵 (例如物體形狀或物件顏色) 與正確的標籤 (例如「狗」或「貓」) 建立關聯。
深度學習演算法經過訓練後，即可根據習得的模式準確分類新資料。
深度學習的運作方式
深度學習技術會使用人工類神經網路從資料中學習。類神經網路由多層相連的節點組成，每個節點負責學習特定的資料特徵。 以先前使用圖片的範例為基礎：在圖片辨識網路中，第一層節點可能會學習辨識邊緣，第二層可能會學習辨識形狀，而第三層可能會學習辨識物體。
類神經網路學習時，節點間連線的權重就會隨之調整，讓類神經網路可以更妥善地分類資料。類神經網路通常會採用反向傳播等技術，根據處理訓練資料的效能來做出調整。這項程序稱為「訓練」，可以利用各種技術來完成，例如監督式學習、非監督式學習和增強式學習等技術。
深度學習與機器學習的差異
深度學習和機器學習都是人工智慧的分支，但機器學習這個詞彙的定義更廣泛，涵蓋深度學習等多項技術。視任務與演算法而定，機器學習和深度學習演算法皆可使用加上標籤/未加上標籤的資料來訓練。
無論是機器學習或深度學習演算法，都適合用來處理圖片辨識、語音辨識和自然語言處理等任務。不過，深度學習演算法能夠學習階層結構式資料表示法，因此在處理複雜的模式識別任務方面 (例如圖像分類和物件偵測)，成效通常優於傳統機器學習演算法。
深度學習類型
深度學習模型有許多不同類型，最常見的類型包括：
卷積類神經網路 (CNN)
CNN 會用於辨識及處理圖片，且特別適合辨識圖片中的物件，即使物件有部分模糊不清或扭曲變形也適用。
深度增強式學習
深度增強式學習適用於機器人和遊戲。這種機器學習可讓代理人與環境互動並獲得獎勵或懲罰，藉此瞭解如何應對環境。
循環類神經網路 (RNN)
RNN 可用於自然語言處理及語音辨識，特別適合用於瞭解句子或詞組的結構定義，也能用來產生文字或翻譯語言。
使用深度學習模型的優點
使用深度學習模型有幾項優點，包括：
- 能根據資料學習特徵間的複雜關聯：深度學習比傳統機器學習方法更強大，可執行更精細的資料分析。
- 使用大型資料集訓練：這類模型的擴充性極佳，而且能從更多元的經驗中學習，可望提高預測結果的準確度。
- 採取資料導向學習方法：深度學習模型可根據資料學習，減少人工訓練的需要，進而提升效率和擴充性。這些模型會從持續產生的資料 (例如感應器或社群媒體資料) 中學習。
使用深度學習模型的潛在難題
使用深度學習模型時，也可能面臨許多難題，包括：
- 資料要求：深度學習模型需要透過大量資料學習，如果可用資料不足，就較難透過深度學習模型解決問題。
- 過度配適：深度學習模型可能容易過度配適，這表示模型會學習資料中的雜訊，而不是潛在關聯，導致無法有效處理未曾見過的新資料。
- 偏誤：視依據的資料而定，這類模型可能會出現偏誤，這可能會導致預測不公正或不準確。請務必採取相關措施來減少深度學習模型的偏誤。
