Deep Learning

深度學習（Deep Learning）是機器學習的子領域，基於人工神經網路（Artificial Neural Networks）所發展，用於處理結構複雜、規模龐大的資料，尤其在圖像、語音與自然語言處理上展現出色表現。

---

核心概念

• 神經元（Neuron）：模擬生物神經元的基本運算單元，接收輸入、加權計算後輸出。

• 層（Layer）：由多個神經元組成，包含輸入層、隱藏層與輸出層。

• 激活函數（Activation Function）：非線性轉換，使模型能學習複雜特徵（如 ReLU、Sigmoid、Tanh）。

• 前向傳播（Forward Propagation）：計算每層輸出，直至模型輸出結果。

• 反向傳播（Backpropagation）：計算損失函數的梯度並更新參數。

---

常見深度學習架構

架構	主要用途	說明
DNN	表格、數值資料	基本多層全連接網路（fully connected）
CNN	圖像處理	卷積操作可抓取區域特徵
RNN / LSTM	時序與語言模型	處理序列資料，具記憶性
Transformer	NLP、語音、圖像等	採 attention 機制，擴展性強

---

TensorFlow/Keras 模型範例

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

model = Sequential([
    Dense(64, activation='relu', input_shape=(10,)),
    Dense(64, activation='relu'),
    Dense(1, activation='sigmoid')
])

model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
model.fit(X_train, y_train, epochs=10, batch_size=32)

---

常見超參數（Hyperparameters）

• 學習率（learning rate）：控制每次參數更新的幅度。

• 批次大小（batch size）：每次訓練所取樣的資料數。

• 訓練次數（epochs）：訓練資料被完整瀏覽的次數。

• 層數與神經元數量：模型結構設計的關鍵。

---

模型評估指標

• 準確率（Accuracy）

• 損失（Loss）

• 混淆矩陣（Confusion Matrix）

• AUC / ROC 曲線

---

應用範疇

• 醫療影像診斷（如腫瘤偵測）

• 自動駕駛（影像與雷達融合）

• 自然語言處理（如聊天機器人、翻譯）

• 金融風險預測（詐騙偵測、信用評分）

---

深度學習藉由大量資料與強大運算能力，能自主學習特徵並在多項任務中達成超越傳統方法的表現。理解基本架構與實作流程，是進入人工智慧世界的重要基礎。