AITerms 登入
iPAS 初級 深度學習神經網路模型訓練

深度學習(Deep Learning)是什麼?

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。

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

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?

  1. 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
  2. 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
  3. C評估在不同模型參數設定下,預測結果的穩定性變化
  4. D比較不同模型架構在測試資料上的泛化能力差異
到題目頁作答

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

本頁內容有提到,或屬於同一組主題的術語

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