完整定義
深度學習是一種基於人工神經網路的機器學習子領域,其核心特徵是使用包含多個隱藏層的「深度」神經網路架構。這些網路能夠自動從原始數據中學習和提取多層次的抽象特徵,無需人工設計特徵工程。深度學習在圖像識別、語音辨識、自然語言處理和推薦系統等領域取得了突破性進展,例如卷積神經網路(CNN)在電腦視覺、循環神經網路(RNN)和轉換器(Transformer)在自然語言處理中的應用。其強大的特徵學習能力使其能夠處理大規模、高維度的複雜數據,並在多種任務上達到超人類水平的性能。
白話說明
你看過 AI 會自己看圖、聽聲音、寫文字嗎?
你可以把 深度學習 想成一層一層往下挖特徵的學習方式。
它其實就是讓模型自己從資料裡抽出有用的表示,不必全靠人工設計。
深度學習是一種機器學習方法,透過多層神經網路自動從原始資料中提取階層特徵,解決複雜問題。圖像、語音、文字這種複雜資料,通常都很吃這套。
記住這句
層數更深,學到的特徵也更抽象
比喻:深度學習就像一位藝術鑒賞家 -- 它不是只看畫作的顏色或形狀(低階特徵),而是層層深入,從構圖、風格、意境(高階特徵)去理解作品。
容易混淆
vs 傳統機器學習
傳統方法像請專家手工提取特徵,再讓模型學習;深度學習像讓模型自己「看」資料,自動從最底層學會提取有用的特徵。
實際案例
案例一:深度學習 做影像分類
模型先看邊緣和紋理,再把這些低階特徵組成輪胎、貓耳朵或人臉這種高階概念。
案例二:深度學習 做語音辨識
你丟進去的是原始聲波,模型自己學出聲音和文字之間的關聯,不必先手工設計太多特徵。
深入了解
深度學習的核心是多層表示學習,前面層抓局部特徵,後面層組合成更高階概念
它最吃資料量、計算力和標註品質,資料太少時常比不上較簡單的方法
判斷要不要用它,通常不是看酷不酷,而是看問題有沒有足夠複雜
情境判斷
Q1(直覺題): 資料量很大、特徵又很複雜時,適不適合考慮深度學習?
通常適合,因為深度學習擅長從原始資料裡自己抽特徵。
Q2(判斷題): 如果資料很少、而且任務規則很明確,還一定要用深度學習嗎?
不一定,這時候簡單模型常更穩、更容易解釋;深度學習不是萬能,資料和算力不夠時反而可能得不償失。
iPAS 考題
Q:深度學習和傳統機器學習最核心的差別是什麼?
核心差別在特徵怎麼來,傳統機器學習多半靠人工設計特徵,深度學習則能自動從資料裡學出階層式特徵。
Q:什麼情況下特別適合用深度學習?
當資料量大、結構複雜、又很難手工設計特徵時,深度學習通常最有發揮空間。
常見問題
深度學習是機器學習的一個子集,主要區別在於特徵提取方式。傳統機器學習需要人工設計特徵,而深度學習可以自動學習。深度學習通常使用多層神經網路,擅長處理高維度數據,而傳統機器學習在數據量較小或特徵明確時可能更有效。
當數據量大、結構複雜,人工難以提取有效特徵時,應考慮深度學習。例如,處理圖像、語音、文本等非結構化數據。此外,計算資源充足也是使用深度學習的有利條件。如果目標是達到 95% 以上的準確率,且有足夠的數據支持,深度學習通常是個不錯的選擇。
初學者常誤以為深度學習是萬能的。實際上,深度學習只是一種工具,有優缺點。選擇前需評估問題性質、數據質量和數量、計算資源等。盲目使用可能事倍功半。此外,容易忽略數據預處理,認為模型能自動處理所有問題。
範例考題
在深度學習模型的分析與驗證過程中,研究人員有時會利用「顯著性圖(Saliency Map)」來輔助理解模型行為。下列何者最符合此技術的主要用途?
- A量化各輸入特徵對模型整體預測準確度的平均影響程度
- B標示輸入資料中對單一預測結果影響較大的區域或部分
- C評估在不同模型參數設定下,預測結果的穩定性變化
- D比較不同模型架構在測試資料上的泛化能力差異
正解是 B:標示輸入資料中對單一預測結果影響較大的區域或部分
解析:顯著性圖(Saliency Map)透過計算模型輸出對輸入的梯度,標示出輸入資料中對特定預測結果影響最大的區域。在影像任務中,它能視覺化顯示模型「關注」了圖像的哪些部分。
出現在這些考古題
官方公告試題的逐題解析裡,這 2 題把深度學習列為延伸術語。
立即測驗
想測試你對 深度學習 的掌握程度?用考古題作答
相關術語
來源
參考來源:ipd.nat.gov.tw
考試範圍:iPAS AI 應用規劃師評鑑內容範圍參考(115.02 更新),經濟部產業人才能力鑑定,實際考試內容以官方公告為準。
其他格式:Markdown 版本