曲博彩虹頻道｜深度學習 Deep Learning

「深度學習」意指利用深度神經網絡，讓電腦自行分析資料並找出特徵值。其核心概念之一，是透過多層神經網絡的維度縮減過程，保留資料（如圖像）中最重要的特徵，即使資料量變小，關鍵特徵仍得以保存，以便後續能重現原始資料。

這使得電腦能像人類一樣，通過大量觀察自行歸納出事物的特徵，例如 Google 的貓臉辨識實驗，電腦未被告知貓的特徵，卻能從千萬張圖片中自行找出貓臉特徵。雖然深度學習在技術上涉及複雜數學與運算，但其自動學習特徵並將符號與意義連結的能力，是其與人類學習過程相似的關鍵。

本集節目指出，儘管離電腦真正思考尚遠，但基於強大的硬體、軟體技術和雲端數據，人工智慧（包括深度學習）未來十年將持續發展並應用落地。

📌 本集亮點：

1. 深度學習與機器學習的根本差異：

機器學習需要人類提供特徵值讓電腦依循進行分類，而深度學習透過深度神經網絡，讓電腦能夠自行分析資料並找出特徵值，這是兩者最大的不同點

2. 深度神經網絡的結構與挑戰：

深度學習使用多層的隱藏層神經網絡，理論上層數越多越精確，但實際上因誤差反向傳播難以有效傳遞回較上層的神經元，多層結構反而帶來挑戰，就像多層級的公司組織難以有效溝通一樣

3.維度縮減與重要特徵保留：

深度學習的一個重要概念是維度縮減。資料（如手寫數字圖像）經由輸入層進入隱藏層時，神經元數量減少（維度縮減），此過程會捨棄部分資訊但保留最重要的特徵，以便在後續維度恢復時能重建原始資料

4.Google貓臉辨識實驗：

Google透過一個實驗，將一千萬張 YouTube 影片圖片輸入一個擁有100億個神經元、由1000台電腦與16000個CPU運算三天的深度學習網絡。電腦在沒有被明確告知貓的特徵下，自行從大量圖片中找到了貓臉和人臉等高抽象度特徵，展示了深度學習自動學習特徵的能力

5.深度學習的學習過程與人類學習類似：

深度學習通過反覆處理資料來找出特徵值，這個過程與人類學習辨識事物（如小朋友看大量的貓圖片後學會辨識貓的特徵）的方式非常相似，都是透過觀察大量樣本來歸納特徵

瀏覽 3,592 次